【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，具体涉及一种应对多任务的少信息损失的特征提取方法，该方法可用于在深度学习网络中，提取输入图片的特征，用于应对分割、分类、生成、检测等机器视觉有关任务。
技术介绍
1、基于卷积神经网络的特征提取器可用于提取局部特征，但缺乏提取全局特征的能力。在基于卷积神经网络的特征提取器基础上改良的，基于自适应网络的特征提取器，可以提取全局特征，但缺乏对部分局部特征的提取能力，从而不具有预测多尺寸目标的能力。
2、虽然现有的技术尝试对卷积神经网络和自适应网络进行融合，使特征提取器同时拥有提取局部特征和全局特征的能力。然而，现有技术未考虑到不同网络的特征分布不同，若直接融合上述这两种特征，则会由于特征分布差异过大造成信息损失。信息损失将导致特征提取器的信息提取能力下降，从而对下游任务，例如分类、分割、检测、生成等造成不利的影响，使下游任务的准确率下降或是生成的质量降低。
3、现有的使传统卷积神经网络提取器获得提取全局信息能力的一种简单方式是：将它的一部分或所有模块都替换为自适应网络。在transclaw...
【技术保护点】
1.一种应对多任务的少信息损失的特征提取方法，其特征在于：包括：
2.根据权利要求1所述的应对多任务的少信息损失的特征提取方法，其特征在于：于步骤二中，判定两组特征矩阵中相似区域的方式为：
3.根据权利要求2所述的应对多任务的少信息损失的特征提取方法，其特征在于：多组所述数据集由多组不同的任务产生。
4.根据权利要求1所述的应对多任务的少信息损失的特征提取方法，其特征在于：于步骤二中，所述融合的方式为：
5.根据权利要求1所述的应对多任务的少信息损失的特征提取方法，其特征在于：于步骤三中，通过解码器中的反卷积增加特征图的...
【技术特征摘要】
1.一种应对多任务的少信息损失的特征提取方法，其特征在于：包括：
2.根据权利要求1所述的应对多任务的少信息损失的特征提取方法，其特征在于：于步骤二中，判定两组特征矩阵中相似区域的方式为：
3.根据权利要求2所述的应对多任务的少信息损失的特征提取方法，其特征在于：多组所述数据集由多组不同的任务产生。
4.根据权利要求1所述的应对多任务的少信息损失的特征提取方法，其...
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。