一种局部增强型空洞卷积多尺度特征提取方法及系统技术方案

本发明专利技术提供一种局部增强型空洞卷积多尺度特征提取方法及系统，涉及计算机视觉技术领域，该方法包括采集图像数据，对采集的图像数据进行处理，获得特征图；获取目标图像的浅层特征信息，并作分组处理；将卷积网络卷积核按照混合膨胀卷积设计准则设置膨胀系数；基于膨胀系数，构建卷积神经网络架构，所述卷积神经网络架构包括一个空洞卷积模块或者两个以上级联的空洞卷积模块；对空洞卷积层采用全数据分组填充方式，使空洞卷积层输入与输出大小一致；进行迭代训练，建立模型。本发明专利技术方法与传统神经网络相比，可用于提取全局语义信息，且提升空洞率增加时的信息关联性，解决传统空洞卷积提取特征信息时出现单一空洞率问题。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，尤其涉及一种局部增强型空洞卷积多尺度特征提取方法及系统。

技术介绍

1、随着人工智能技术的快速发展，其已成为新一轮产业升级的驱动力，驱使各类产业在自动化、数字化和智能化发展方面具备泛在智能的特性。在此背景下，卷积神经网络作为人工智能
中的一种，已成为当前语音分析、图像分类、图像分割领域的研究热点，且相应技术得到飞速发展。为使得卷积神经网络支持所建立的网络模型具有大感受野，精度更高的技术优势，卷积神经网络开始普遍采用大核卷积搭建骨干网络架构，以解决普通卷积神经网络因增加卷积核尺寸引起的参数过快增长问题，方便训练网络，降低网络过拟合风险，提升网络效率和性能。卷积神经网络采用大核卷积方式时，将使得总体参数量显得减少。此外，从物理上增加卷积核尺寸，容易造成模型精度瓶颈，不得不采用更加复杂的方法解决上述问题，但也对卷积核方便快捷的应用特性造成破坏。为此，寻找一种方法可以在不增加网络参数和计算复杂度的前提下提升网络模型大感受野。空洞卷积独特的特性受到研究者青睐。

2、空洞卷积可以在不增加参数和计算复杂度的前提下，通过在卷积核本文档来自技高网...

【技术保护点】

1.一种局部增强型空洞卷积多尺度特征提取方法，其特征在于，包括：

2.根据权利要求1所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，在步骤S2中，获取目标图像的浅层特征信息，并作分组处理的方法为：

3.根据权利要求2所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，所述分组规则表征为：对所获取的所有n*n特征图，将其中第x行第y列的点位上的目标图像浅层特征信息分为一组(1≤x≤n，1≤y≤n)。

4.根据权利要求1所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，在步骤S4中，在每个空洞卷积模块中，所述空洞卷积层用于确定卷积核大小；...

【技术特征摘要】

1.一种局部增强型空洞卷积多尺度特征提取方法，其特征在于，包括：

2.根据权利要求1所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，在步骤s2中，获取目标图像的浅层特征信息，并作分组处理的方法为：

3.根据权利要求2所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，所述分组规则表征为：对所获取的所有n*n特征图，将其中第x行第y列的点位上的目标图像浅层特征信息分为一组(1≤x≤n，1≤y≤n)。

4.根据权利要求1所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，在步骤s4中，在每个空洞卷积模块中，所述空洞卷积层用于确定卷积核大小；所述池化层用于对从空洞卷积层传输的特征映射进行二次采样，且采用最大池化层；所述全连接层用于将多维向量的铺平送到输出层，全连接层的每一个结点都与上一层的所有结点相连，用来把所提取到的特征综合起来；所述softmax层用于对网络归一化处理。

5.根据权利要求4所述的局部增强型空洞卷积多尺度特征提取方法，其特征在于，所述归一化处理...

【专利技术属性】
技术研发人员：武贵路，杨晨曦，卢文文，罗陆仕，陈涵，赵祥烁，
申请(专利权)人：海南大学，
类型：发明
国别省市：