[發明專利]一種基于殘差網絡的特征圖處理方法

有效

• 申請號: 201910741710.2
• 申請日: 2019-08-12
• 公開（公告）號: CN110633709B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 賈琳;趙磊
• 申請（專利權）人: 特斯聯（北京）科技有限公司
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06V10/44;G06N3/0464;G06N3/048
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

本發明公開了一種基于殘差網絡的特征圖處理方法，包括：在殘差網絡的瓶頸層殘差支路中最后一個卷積層之后接入一SE模塊；在殘差網絡的橋連接支路中下采樣模塊之后接入一SE模塊；在殘差網絡的加法模塊與激活函數模塊之間接入實例標準化模塊；將特征圖輸入經過改進的殘差網絡進行處理，得到下一層的特征圖。本發明對傳統殘差網絡進行了改進，分別在瓶頸層殘差支路和橋連接支路中加入了一SE模塊，并在殘差網絡中加入了實例標準化模塊，利用經過改進的殘差網絡處理特征圖，增強了瓶頸層殘差支路中的特征圖，接入實例標準化模塊提高了殘差網絡的泛化能力，消除了殘差網絡對圖像外觀因素的影響。

技術領域

本發明涉及計算機視覺技術領域，具體涉及一種基于殘差網絡的特征圖處理方法。

背景技術

圖像空域具有局部相關性，對圖像進行卷積的過程就是對圖像的局部相關性的一種提取。卷積核的作用在于特征提取，卷積核尺寸越大意味著感受野更大，當然參數也就越多。1*1卷積的作用是可以改變特征圖的通道維數，同時增加網絡的非線性表達能力，通過對多個特征圖線性組合，實現跨通道的交互和信息整合能力。GoogLeNet的Inception模塊的四個分支里都有1*1卷積來減少參數量和計算量，并且使得四個分支的輸出通道拼接維度相互匹配。

ResNet(Residual?Neural?Network)的結構可以極快地加速神經網絡的訓練，模型的準確率也有比較大的提升。同時ResNet的推廣性非常好，甚至可以直接用到InceptionNet網絡中。ResNet的主要思想是在網絡中增加了直連通道，即Highway?Network的思想。此前的網絡結構是性能輸入做一個非線性變換，而Highway?Network則允許保留之前網絡層的一定比例的輸出。ResNet的思想和Highway?Network的思想也非常類似，允許原始輸入信息直接傳到后面的層中，這樣的話這一層的神經網絡可以不用學習整個的輸出，而是學習上一個網絡輸出的殘差，因此ResNet又叫做殘差網絡。殘差網絡是由來自Microsoft?Research的4位華人學者提出的卷積神經網絡，在2015年的ImageNet大規模視覺識別競賽中獲得了圖像分類和物體識別的冠軍。

ResNet在殘差連接中也使用了1*1卷積，先使用1*1卷積進行降維，然后再經過3*3卷積層處理，最后用1*1卷積進行升維，使得參數量大大減少，橋連接中使用下采樣來調整通道維數，使得兩個分支的通道維數一致。

發明內容

本發明的一個目的是提供一種基于殘差網絡的特征圖處理的新的技術方案。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。

根據本發明實施例的一個方面，提供一種基于殘差網絡的特征圖處理方法，包括：

在殘差網絡的瓶頸層殘差支路中最后一個卷積層之后接入一擠壓激勵模塊；

在殘差網絡的橋連接支路中下采樣模塊之后接入一擠壓激勵模塊；

在殘差網絡的加法模塊與激活函數模塊之間接入實例標準化模塊；所述加法模塊用于將橋連接支路和瓶頸層殘差支路的特征通道相加；

將特征圖輸入經過改進的殘差網絡進行處理，得到下一層的特征圖。

進一步地，所述將特征圖輸入經過改進的殘差網絡進行處理，得到下一層的特征圖，包括：

將特征圖分別輸入橋連接支路和瓶頸層殘差支路進行處理；

在橋連接支路中，特征圖依次經過下采樣模塊處理和擠壓激勵模塊處理后輸出；

在瓶頸層殘差支路中，特征圖依次經過若干卷積層處理和擠壓激勵模塊處理后輸出；

通過加法模塊將分別從橋連接支路和瓶頸層殘差支路輸出的處理后的特征圖進行相加；