特征图处理方法、图像处理方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110334716A(43)申请公布日2019.10.15(21)申请号201910600515.8(22)申请日2019.07.04(71)申请人北京迈格威科技有限公司地址100190北京市海淀区科学院南路2号A座316-318(72)发明人马宁宁(74)专利代理机构北京钲霖知识产权代理有限公司11722代理人李志新李英艳(51)Int.Cl.G06K9/46(2006.01)权利要求书2页说明书5页附图2页(54)发明名称特征图处理方法、图像处理方法及装置(57)摘要本公开提供了特征图处理方法、图像处理方法及装置。其中特征提取方法包括：获取特征图步骤，获取次级特征图；参数生成步骤，基于次级特征图，通过池化得到个性参数；参数调整步骤，通过对个性参数进行点卷积，得到个性指导参数；权重调整步骤，根据个性指导参数，对权重的进行调整，得到个性权重；特征提取步骤，基于次级特征图以及个性权重，得到高级特征图。本公开提供的特征提取方法通过针对输入的不同特征图，生成不同的个性权重，每个特征同通过根据各自特点生成的个性权重进行特征提取，从而提高了结果的精度。CN110334716ACN110334716A权利要求书1/2页1.一种特征图处理方法，其中，所述方法包括：获取特征图步骤，获取次级特征图；参数生成步骤，基于所述次级特征图，通过池化得到个性参数；参数调整步骤，通过对所述个性参数进行点卷积，得到个性指导参数；权重调整步骤，根据所述个性指导参数，对权重的进行调整，得到个性权重；特征提取步骤，基于所述次级特征图以及所述个性权重，得到高级特征图。2.根据权利要求1所述的方法，其中，所述个性参数包括：卷积核参数和/或通道参数。3.根据权利要求2所述的方法，其中，所述卷积核参数通过对所述次级特征图进行所述池化得到。4.根据权利要求3所述的方法，其中，所述通道参数通过对所述卷积核参数进行所述池化得到。5.根据权利要求2所述的方法，其中，所述通道参数通过对所述次级特征图进行所述池化得到。6.根据权利要求1-5任一项所述的方法，其中，所述池化为平均池化。7.根据权利要求1所述的方法，其中，所述参数调整步骤包括：通过对所述个性参数进行多层所述点卷积，得到所述个性指导参数。8.根据权利要求1所述的方法，其中，所述参数调整步骤还包括：在通过对所述个性参数进行所述点卷积后，经激活函数进行非线性变换，得到所述个性指导参数。9.一种图像处理方法，包括：图像获取步骤，获取图像；特征提取步骤，根据权利要求1-8任一项所述的特征图处理方法，提取所述图像的图像特征；图像识别步骤，根据所述图像特征进行图像识别。10.一种特征图处理装置，其中，所述装置包括：获取特征图模块，用于获取次级特征图；参数生成模块，用于基于所述次级特征图，通过池化得到个性参数；参数调整模块，用于通过对所述个性参数进行点卷积，得到个性指导参数；权重调整模块，用于根据所述个性指导参数，对权重的进行调整，得到个性权重；特征提取模块，用于基于所述次级特征图以及所述个性权重高级特征图。11.一种图像处理装置，其中，所述图像处理装置包括：图像获取模块，用于获取图像；特征提取模块，用于根据权利要求1-8任一项所述的特征图处理方法，提取所述图像的图像特征；图像识别模块，用于根据所述图像特征进行图像识别。12.一种电子设备，其中，所述电子设备包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行如权利要求1至8中任一项所述的特征图处理方法或如权利要求9所述的图像处理方法。13.一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行如权2CN110334716A权利要求书2/2页利要求1至8中任一项所述的特征图处理方法或如权利要求9所述的图像处理方法。3CN110334716A说明书1/5页特征图处理方法、图像处理方法及装置技术领域[0001]本发明一般地涉及图像识别领域，具体涉及一种特征图处理方法、图像处理方法及装置。背景技术[0002]随着计算机技术的发展，越来越多的场景需要通过计算机技术来进行如目标检测、目标识别等图像处理工作。其中卷积神经网络(CNN)模型是现代深度视觉识别系统的核心。卷积神经网络的形式一般是Y＝conv(X,W)，其中X是输入特征，Y是输出特征，W是权重。通过神经网络反向传播、梯度更新等算法，更新权重的值，神经网络的训练也即对权重的更新。[0003]而通过完成对一个神经网络的训练，所有的数据将这个训练好的网络的权重，也即所有数据共享这套权重；然而，所有数据虽然都有共性，可以公用一个权重，但数据还有各自的特点，仅用一个权重会导致输出特征的不准确。发明内容[0004]为了解决现有技术中存在的上