特征提取单元、特征提取方法及相关设备技术

本申请提供了一种特征提取单元、特征提取方法及相关设备。涉及图像处理领域。特征提取单元包括第一非线性激活函数层、第一卷积层、至少一个第二卷积层和至少一个第三卷积层。第一非线性激活函数层位于至少一个第二卷积层和至少一个第三卷积层之间。第一卷积层用于对输入的第一特征图进行特征提取得到第二特征图，第一卷积层的卷积核的尺寸大于或等于7。第三特征图依次经过至少一个第二卷积层、第一非线性激活函数层、至少一个第三卷积层的处理得到第四特征图，第三特征图是第一特征图和第二特征图相加得到的。特征提取单元的输出为第三特征图和第四特征图相加之后的特征图。该特征提取单元采用大尺度的卷积核可以有效提升特征提取单元的感受野。

【技术实现步骤摘要】

本专利技术实施例涉及图像处理领域，尤其涉及一种特征提取单元、特征提取方法及相关设备。

技术介绍

1、像素级深度神经网络是用于处理像素级任务的深度神经网络，像素级任务包括去噪、去模糊、超分辨率等。像素级神经网络的目标是通过训练网络参数，实现一种从像素值到像素值的映射，即最终训练得到的网络，输入是图像，输出还是图像，这样基于不同的训练数据可以实现降噪、去马赛克、去模糊、超分辨率等功能。

2、而感受野(receptive field)是用来表示网络内部的不同神经元对原图像的感受范围的大小，或者说，卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域的大小。神经元感受野的值越大表示其能接触到的原始图像范围就越大，意味着蕴含更为全局，语义层次更高的特征；相反，值越小则表示其所包含的特征越趋向局部和细节。

3、现有技术中，像素级深度神经网络的感受野较小，导致像素级深度神经网络的性能不佳，因此，亟需对上述技术问题进行改进。

技术实现思路

1、本申请提供一种特征提取单元、特征提取方法及相关设本文档来自技高网...

【技术保护点】

1.一种特征提取单元，其特征在于，包括第一非线性激活函数层、第一卷积层、至少一个第二卷积层和至少一个第三卷积层，所述第一非线性激活函数层位于所述至少一个第二卷积层和所述至少一个第三卷积层之间；其中，

2.根据权利要求1所述的特征提取单元，其特征在于，所述第一卷积层为深度可分离卷积层或分组卷积层。

3.根据权利要求1或2所述的特征提取单元，其特征在于，所述特征提取单元还包括第二非线性激活函数层，所述第二非线性激活函数层位于以下至少一项所在的位置：所述第一卷积层之前，所述第一卷积层之后，所述至少一个第二卷积层之前，所述至少一个第二卷积层中任意两个第二卷积层之间，所述至...

【技术特征摘要】

1.一种特征提取单元，其特征在于，包括第一非线性激活函数层、第一卷积层、至少一个第二卷积层和至少一个第三卷积层，所述第一非线性激活函数层位于所述至少一个第二卷积层和所述至少一个第三卷积层之间；其中，

2.根据权利要求1所述的特征提取单元，其特征在于，所述第一卷积层为深度可分离卷积层或分组卷积层。

3.根据权利要求1或2所述的特征提取单元，其特征在于，所述特征提取单元还包括第二非线性激活函数层，所述第二非线性激活函数层位于以下至少一项所在的位置：所述第一卷积层之前，所述第一卷积层之后，所述至少一个第二卷积层之前，所述至少一个第二卷积层中任意两个第二卷积层之间，所述至少一个第三卷积层之后，或者所述至少一个第三卷积层中任意两个第三卷积层之间。

4.根据权利要求1至3任一项所述的特征提取单元，其特征在于，所述特征提取单元还包括归一化层，所述归一化层位于以下至少一项所在的位置：所述第一卷积层之前，所述第一卷积层之后，所述至少一个第二卷积层之前，所述至少一个第二卷积层之后，所述至少一个第二卷积层中任意两个第二卷积层之间，所述至少一个第三卷积层之前，所述至少一个第三卷积层之后，或者所述至少一个第三卷积层中任意两个第三卷积层之间。

5.一种图像处理模型，其特征在于，包括第四卷积层和至少一个串联的特征图处理网络，所述特征图处理网络包括至少一个串联的特征图提取单元，所述特征图提取单元为如权利要求1至4任一项所述的特征提取单元；

6.根据权利要求5所述的模型，其特征在于，所述模型还包括第一上采样层，用于对所述第七特征图进行上采样处理得到第二图像。

7....

【专利技术属性】
技术研发人员：张健，钟钊，白博，李瑞华，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：