【技术实现步骤摘要】
本申请涉及深度学习领域，具体而言，涉及一种图像特征数据的获取方法、装置和存储介质及电子设备。
技术介绍
1、faster rcnn(faster region-based convolutional neural network，快速区域卷积神经网络)、mask rcnn(mask region-based convolutional neural network，遮罩区域卷积神经网络)等两段神经网络结构是现阶段较流行的车载目标检测神经网络结构。其网络结构会在主干网络生成的特征图中提取数个roi(region of interest，感兴趣区域)并通过roi align层(regions ofinterest alignment，感兴趣区域对齐映射)映射到统一尺寸的特征图，然后再对每个统一尺寸的roi特征图分别进行全连接计算。
2、现有技术中，对于上述全连接计算存在单batch全连接层计算方式和多batch全连接层计算方式，其中，单batch全连接层计算方式是将所有输入特征直接进行连接计算，多batch全连接层计算方式是将合并的多batch的特征图作为输入，每个batch单独进行全连接计算。
3、由于硬件和推理库的限制，经常会存在无法实现单个节点的上述多batch全连接层计算，而如果使用上述单batch全连接层计算方式，那么就需要为每一个batch单独建立一个层节点，造成模型结构的复杂化、耗时和人工成本的增加，进而导致图像特征数据的获取效率较低的技术问题。
4、即，现有技术中存在图像特征数据的
技术实现思路
1、本申请实施例提供了一种图像特征数据的获取方法、装置和存储介质及电子设备，以至少解决相关技术中存在对象的图像特征数据的获取效率较低的技术问题。
2、根据本申请实施例的一个方面，提供了一种图像特征数据的获取方法，包括：对待识别图像进行特征提取，得到所述待识别图像的初始特征图；从所述初始特征图中提取出n个感兴趣特征区域，并对所述n个感兴趣特征区域分别进行对齐映射，得到相同尺寸大小的n个目标特征图，其中，所述n个目标特征图中的每一个目标特征图的尺寸大小为k乘以k，n、k为大于1的正整数；对所述n个目标特征图按照目标距离进行排列，得到排列后的目标特征图集合，其中，所述目标特征图集合包括所述n个目标特征图和两两相邻的目标特征图之间的、尺寸大小为所述目标距离乘以k的特征区域，所述目标距离的值为加上k能整除以p的最小正整数，p为第一卷积核的第一卷积步长，p为大于1的正整数；基于所述第一卷积步长为p、尺寸大小为k乘以k的所述第一卷积核，对所述目标特征图、所述目标特征图和所述特征区域的组合区域进行第一滑动卷积计算，得到特征数据组合，其中，所述特征数据组合包括所述目标特征图对应的有效特征数据和所述组合区域对应的无效特征数据，所述第一卷积步长为所述第一卷积核在所述目标特征图集合上滑动的步长；从所述特征数据组合中提取出所述有效特征数据，并对所述有效特征数据进行数据重组，得到所述待识别图像的目标特征数据。
3、根据本申请实施例的另一方面，还提供了一种图像特征数据的获取装置，包括：第一提取单元，用于对待识别图像进行特征提取，得到所述待识别图像的初始特征图；第二提取单元，用于从所述初始特征图中提取出n个感兴趣特征区域，并对所述n个感兴趣特征区域分别进行对齐映射，得到相同尺寸大小的n个目标特征图，其中，所述n个目标特征图中的每一个目标特征图的尺寸大小为k乘以k，n、k为大于1的正整数；排列单元，用于对所述n个目标特征图按照目标距离进行排列，得到排列后的目标特征图集合，其中，所述目标特征图集合包括所述n个目标特征图和两两相邻的目标特征图之间的、尺寸大小为所述目标距离乘以k的特征区域，所述目标距离的值为加上k能整除以p的最小正整数，p为第一卷积核的第一卷积步长，p为大于1的正整数；滑动卷积单元，用于基于所述第一卷积步长为p、尺寸大小为k乘以k的所述第一卷积核，对所述目标特征图、所述目标特征图和所述特征区域的组合区域进行第一滑动卷积计算，得到特征数据组合，其中，所述特征数据组合包括所述目标特征图对应的有效特征数据和所述组合区域对应的无效特征数据，所述卷积步长为所述卷积核在所述目标特征图集合上滑动的步长；第三提取单元，用于从所述特征数据组合中提取出所述有效特征数据，并对所述有效特征数据进行数据重组，得到所述待识别图像的目标特征数据。
4、根据本申请实施例的又一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上图像特征数据的获取方法。
5、根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的图像特征数据的获取方法。
6、在本申请实施例中，先从待识别图像的初始特征提取的初始特征图中提取n个感兴趣特征区域，再对n个感兴趣特征区域进行对齐映射，得到对齐映射后的、相同尺寸大小的n个目标特征图。进一步，不同于常规的直接生成目标特征图合并输出，本申请实施例是将上述n个目标特征图按照目标距离进行排列，得到包括n个目标特征图和两两相邻的目标特征图之间的、尺寸大小为目标距离乘以k(k乘以k为目标特征图的尺寸)的特征区域的目标特征图集合，进而使用卷积步长为p、尺寸大小为k乘以k的第一卷积核，按照上述卷积步长，对目标特征图集合中的目标特征图、目标特征图和特征区域的组合区域进行滑动卷积计算，得到包括目标特征图对应的有效特征数据和组合区域对应的无效特征数据共同组成的特征数据组合。如此，再从特征数据组合中提取出有效特征数据进行数据重组，以确定出待识别图像的目标特征数据。在整个特征数据的获取过程中，本申请实施例仅使用了一个卷积步长为p、尺寸大小为k乘以k的第一卷积核，对预先处理好的目标特征集合按照卷积步长进行滑动卷积计算，并对滑动卷积计算结果进行有效特征数据的提取重组，达到了使用上述第一卷积核，替代多batch全连接层计算方式、同时能起到多batch全连接层计算方式等效效果的目的，并且实现过程中无需为每一个batch单独建立层节点，避免了模型结构的复杂化，从而实现了提高图像特征数据的获取效率的技术效果，解决了现有技术中存在的图像特征数据的获取效率较低的技术问题。
本文档来自技高网...【技术保护点】
1.一种图像特征数据的获取方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一卷积步长为P、尺寸大小为K乘以K的所述第一卷积核，对所述目标特征图、所述目标特征图和所述特征区域的组合区域进行第一滑动卷积计算包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求2所述的方法，其特征在于，所述对所述当前卷积对象进行卷积计算，得到所述当前卷积对象对应的当前特征数据包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述从所述特征数据组合中提取出所述有效特征数据包括：
6.根据权利要求1至4任一项所述的方法，其特征在于，
7.根据权利要求1至4任一项所述的方法，其特征在于，
8.一种图像特征数据的获取装置，其特征在于，包括：
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存
...【技术特征摘要】
1.一种图像特征数据的获取方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一卷积步长为p、尺寸大小为k乘以k的所述第一卷积核，对所述目标特征图、所述目标特征图和所述特征区域的组合区域进行第一滑动卷积计算包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求2所述的方法，其特征在于，所述对所述当前卷积对象进行卷积计算，得到所述当前卷积对象对应的当前特征数据包括：
5.根据权利要求1至4任一项所述的方法，其特征在于，所述从所述特征数据组合中提取出...
【专利技术属性】
技术研发人员：杨帆，张青峰，
申请(专利权)人：福思杭州智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。