【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是指一种图像特征提取方法、装置、计算机可读存储介质及图像分类方法。
技术介绍
1、近年来，机器学习(machine learning，ml)和深度学习(deep learning，dl)在计算机视觉领域取得了显著进步，从第一个深度卷积神经网络alexnet开始，用越来越多的参数和计算量创建的更深层次的网络逐渐被提出，例如vggnet、inception、resnet等。这些模型被广泛用于图像特征提取任务，为了提高特征提取的有效性，卷积神经网络模型越来越复杂，计算量和参数也越来越多，对硬件资源的要求随之提高，导致模型很难部署在资源受限的边缘设备上。
2、现有技术中已经有一系列方法来对深度神经网络模型进行压缩，使其能够在不降低图像特征提取精度的情况下减少模型的计算量和参数量，例如剪枝法、量化法和知识蒸馏法等，但是这些方法对模型的压缩程度依赖于原始模型，当原始模型过大时，这些方法并不能有效减少模型的计算量。基于此，现有技术中从模型架构上入手，探究如何以更少的计算量和参数量获取与传统大模型相似的特征，例如，使用深度可分离卷积代替普通卷积、对分组卷积进行通道混洗，以在保证图像特征提取精度的前提下尽可能减少模型计算量，相对于普通卷积，深度卷积虽然减少了模型的计算量，但是仍然会增加模型的参数量，并且过度简化模型可能会降低特征提取的有效性，例如在高精度精确分类场景中，深度卷积无法达到与普通卷积相同的分类准确率。
3、综上所述，现有的图像特征提取方法无法兼顾减少模型的计算量并保证特征提取的有效性
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中的图像特征提取方法存在无法在保证特征提取有效性的前提下减少模型计算量，提高特征提取效率的问题。
2、为解决上述技术问题，本专利技术提供了一种图像特征提取方法，包括：
3、获取预先完成训练的图像特征提取模型，所述图像特征提取模型包括stem模块和沿正传播方向依次串联的多个卷积核尺寸不同的特征提取模块，每个特征提取模块均包括无填充下采样子模块和特征提取卷积子模块，每个无填充下采样子模块均包括无填充卷积单元、无填充最大池化单元和特征融合单元；
4、将图像样本输入至所述stem模块进行初始特征提取，输出初始特征图；
5、将所述初始特征图输入至第一个特征提取模块中的无填充下采样子模块中进行下采样，其具体包括：
6、将所述初始特征图输入至所述无填充下采样子模块中的无填充卷积单元进行卷积，输出第一特征图；
7、将所述初始特征图输入至所述无填充下采样子模块中的无填充最大池化单元进行最大池化，输出第二特征图；其中，所述第一特征图的大小和所述第二特征图的大小相同；
8、将所述第一特征图和所述第二特征图输入至所述无填充下采样子模块中的特征融合单元进行按点逐位相加，输出下采样特征图；
9、将所述下采样特征图输入至第一个特征提取模块中的特征提取卷积子模块进行深度特征提取，将深度特征提取后的特征图作为下一个特征提取模块的输入；
10、将最后一个特征提取模块中的特征提取卷积子模块的输出作为所述图像样本的目标特征图。
11、在本专利技术的一个实施例中，所述stem模块包括普通卷积子模块、dw卷积子模块、最大池化子模块和通道融合子模块。
12、在本专利技术的一个实施例中，所述将图像样本输入至所述stem模块进行初始特征提取，输出初始特征图包括：
13、将所述图像样本输入至所述普通卷积子模块进行普通卷积，输出第三特征图；
14、将所述第三特征图输入至所述dw卷积子模块进行dw卷积，输出第四特征图；
15、将所述第三特征图输入至所述最大池化子模块进行最大池化，输出第五特征图；其中，所述第四特征图的大小和所述第五特征图的大小相同；
16、将所述第四特征图和所述第五特征图输入至所述通道融合子模块进行逐点卷积，输出初始特征图。
17、在本专利技术的一个实施例中，输出初始特征图后还包括：对所述初始特征图进行特征提取，输出目标初始特征图，将所述目标初始特征图作为第一个特征提取模块的输入。
18、在本专利技术的一个实施例中，图像特征提取模型的训练过程包括：
19、获取训练集中的图像样本；
20、将所述图像样本输入至stem模块，输出初始特征图；
21、将所述初始特征图输入至沿正传播方向依次串联的多个卷积核尺寸不同的特征提取模块，基于最后一个特征提取模块的输出构建图像特征提取损失函数；
22、利用训练集中的图像样本对所述stem模块和多个卷积核尺寸不同的特征提取模块进行迭代训练，直到所述图像特征提取损失函数的值最小，得到训练好的stem模块和多个卷积核尺寸不同的特征提取模块；
23、基于所述训练好的stem模块和多个卷积核尺寸不同的特征提取模块得到完成训练的图像特征提取模型。
24、在本专利技术的一个实施例中，所述图像特征提取损失函数为：
25、
26、其中，l表示图像特征提取损失函数，n表示图像样本的数量，yic为符号函数，当第i个图像样本的真实类别为c时，yic＝1，反之，yic＝0，pic为第i个图像样本属于类别c的预测概率，m为类别数量。
27、本专利技术还提供了一种图像特征提取装置，包括：
28、模型获取模块，用于获取预先完成训练的图像特征提取模型，所述图像特征提取模型包括stem模块和沿正传播方向依次串联的多个卷积核尺寸不同的特征提取模块，每个特征提取模块均包括无填充下采样子模块和特征提取卷积子模块，每个无填充下采样子模块均包括无填充卷积单元、无填充最大池化单元和特征融合单元；
29、初始特征图获取模块，用于将图像样本输入至所述stem模块进行初始特征提取，输出初始特征图；
30、下采样特征图获取模块，用于将所述初始特征图输入至第一个特征提取模块中的无填充下采样子模块中进行下采样，其具体包括：
31、第一特征图获取子模块，用于将所述初始特征图输入至所述无填充下采样子模块中的无填充卷积单元进行卷积，输出第一特征图；
32、第二特征图获取子模块，用于将所述初始特征图输入至所述无填充下采样子模块中的无填充最大池化单元进行最大池化，输出第二特征图；
33、其中，所述第一特征图的大小和所述第二特征图的大小相同；
34、特征融合子模块，用于将所述第一特征图和所述第二特征图输入至所述无填充下采样子模块中的特征融合单元进行按点逐位相加，输出下采样特征图；
35、深度特征提取模块，用于将所述下采样特征图输入至第一个特征提取模块中的特征提取卷积子模块进行深度特征提取，将深度特征提取后的特征图作为下一个特征提取模块的输入；
36、目标特征图获取模块，用于将最后一个特征提取模块中的特征提取卷积子模块本文档来自技高网...
【技术保护点】
1.一种图像特征提取方法，其特征在于，包括：
2.根据权利要求1所述的图像特征提取方法，其特征在于，所述stem模块包括普通卷积子模块、DW卷积子模块、最大池化子模块和通道融合子模块。
3.根据权利要求2所述的图像特征提取方法，其特征在于，所述将图像样本输入至所述stem模块进行初始特征提取，输出初始特征图包括：
4.根据权利要求1所述的图像特征提取方法，其特征在于，输出初始特征图后还包括：对所述初始特征图进行特征提取，输出目标初始特征图，将所述目标初始特征图作为第一个特征提取模块的输入。
5.根据权利要求1所述的图像特征提取方法，其特征在于，图像特征提取模型的训练过程包括：
6.根据权利要求5所述的图像特征提取方法，其特征在于，所述图像特征提取损失函数为：
7.一种图像特征提取装置，其特征在于，包括：
8.根据权利要求7所述的图像特征提取装置，其特征在于，所述初始特征图获取模块包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处
10.一种图像分类方法，其特征在于，包括：
...【技术特征摘要】
1.一种图像特征提取方法，其特征在于，包括：
2.根据权利要求1所述的图像特征提取方法，其特征在于，所述stem模块包括普通卷积子模块、dw卷积子模块、最大池化子模块和通道融合子模块。
3.根据权利要求2所述的图像特征提取方法，其特征在于，所述将图像样本输入至所述stem模块进行初始特征提取，输出初始特征图包括：
4.根据权利要求1所述的图像特征提取方法，其特征在于，输出初始特征图后还包括：对所述初始特征图进行特征提取，输出目标初始特征图，将所述目标初始特征图作为第一个特征提取模块的输入。
5.根据权利要...
【专利技术属性】
技术研发人员：刘登峰，郭虓赫，朱佳伟，朱俊彬，杜平川，王宁，吴秦，
申请(专利权)人：江南大学，
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。