特征提取方法、装置、存储介质及电子设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114998668A(43)申请公布日2022.09.02(21)申请号202210770670.6G06N3/04(2006.01)(22)申请日2022.06.30G06N3/08(2006.01)(71)申请人北京京东方技术开发有限公司地址100176北京市大兴区北京经济技术开发区地泽路9号1幢407室申请人京东方科技集团股份有限公司(72)发明人魏书琪哈谦耿凯(74)专利代理机构北京律智知识产权代理有限公司11438专利代理师王辉(51)Int.Cl.G06V10/77(2022.01)G06V10/44(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)权利要求书3页说明书17页附图6页(54)发明名称特征提取方法、装置、存储介质及电子设备(57)摘要本公开提供一种特征提取方法、装置、存储介质及电子设备；涉及人工智能技术领域。所述方法包括：根据待识别数据和所述待识别数据中的局部数据得到预设神经网络的输入数据；利用所述预设神经网络对所述输入数据进行融合特征提取，得到所述待识别数据的目标特征。本公开利用神经网络对全局数据和局部数据进行融合特征提取，可以提高神经网络识别的特征精度。CN114998668ACN114998668A权利要求书1/3页1.一种特征提取方法，其特征在于，包括：根据待识别数据和所述待识别数据中的局部数据得到预设神经网络的输入数据；利用所述预设神经网络对所述输入数据进行融合特征提取，得到所述待识别数据的目标特征。2.根据权利要求1所述的特征提取方法，其特征在于，所述预设神经网络至少包括编码器网络和解码器网络，所述编码器网络包括多个下采样层，每个下采样层至少包括多个卷积层和一个池化层，所述解码器网络包括多个上采样层，每个上采样层至少包括一个反卷积层和多个卷积层。3.根据权利要求2所述的特征提取方法，其特征在于，所述预设神经网络还包括局部特征提取网络，所述局部特征提取网络的网络结构与所述编码器网络的网络结构相同；所述根据待识别数据和所述待识别数据中的局部数据得到预设神经网络的输入数据，包括：将所述待识别数据作为所述编码器网络的输入数据；将所述待识别数据的局部数据作为所述局部特征提取网络的输入数据。4.根据权利要求3所述的特征提取方法，其特征在于，所述利用所述预设神经网络对所述输入数据进行融合特征提取，得到所述待识别数据的目标特征，包括：利用所述编码器网络对所述待识别数据进行特征提取，得到所述编码器网络的第一输出特征；利用所述局部特征提取网络对所述待识别数据中的局部数据进行特征提取，得到所述局部数据的第一特征表示；将所述编码器网络的第一输出特征和所述局部数据的第一特征表示进行拼接，得到所述解码器网络的第一输入特征；利用所述解码器网络对所述第一输入特征进行特征提取，得到所述待识别数据的目标特征。5.根据权利要求1‑4任一项所述的特征提取方法，其特征在于，利用所述预设神经网络对所述输入数据进行融合特征提取前，所述方法还包括：对所述预设神经网络中的所述编码器网络和所述局部特征提取网络进行训练；其中，所述编码器网络的参数初始值与所述局部特征提取网络的参数初始值相同。6.根据权利要求5所述的特征提取方法，其特征在于，所述对所述预设神经网络中的所述编码器网络和所述局部特征提取网络进行训练，包括：根据预设的参数映射关系对所述编码器网络的参数和所述局部特征提取网络的参数进行迭代，当满足迭代终止条件时，完成对所述编码器网络和所述局部特征提取网络的训练；其中，所述参数映射关系用于确定迭代后的编码器网络的参数和对应的局部特征提取网络的参数。7.根据权利要求2所述的特征提取方法，其特征在于，所述根据待识别数据和所述待识别数据中的局部数据得到预设神经网络的输入数据，包括：基于所述待识别数据，构建所述待识别数据中的局部数据的矩阵表示，得到局部数据矩阵；将所述待识别数据和所述局部数据矩阵中的各对应元素进行组合，得到组合数据；2CN114998668A权利要求书2/3页将所述组合数据作为所述编码器网络的输入数据。8.根据权利要求7所述的特征提取方法，其特征在于，所述将所述待识别数据和所述局部数据矩阵中的各对应元素进行组合，得到组合数据，包括：根据：将待识别数据X和局部数据矩阵Y中的各对应元素进行组合，得到组合数据Z；其中，Z(i,j,k)表示组合数据Z中第i行、第j列、第k个通道对应的空间位置上的元素值，分别表示图像数据X、局部数据矩阵Y中第行、第列、第k个通道对应的空间位置上的元素值，表示向上取整运算，为组合系数。9.根据权利要求7所述的特征提取方法，其特征在于，所述利用所述预设神经网络对所述输入数据进行融合特征提取，得到所述待识别数据