[發明專利]圖像特征學習方法、模型、裝置和計算機存儲介質

在審

• 申請號: 202010107596.0
• 申請日: 2020-02-21
• 公開（公告）號: CN111340089A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 商琦;于翔;張莉;杜梓平
• 申請（專利權）人: 蘇州工業園區服務外包職業學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州翔遠專利代理事務所(普通合伙) 32251
• 代理人: 陸金星

1.一種圖像特征學習方法，其特征在于，所述方法包括：

接收待特征學習的圖像；

對所述圖像執行卷積獲得特征圖；

將所述特征圖輸入到第一層特征學習層，后續各層所述特征學習層的輸入至少由部分前序所述特征學習層的輸出確定；

對各層所述特征學習層的輸入依次執行卷積和非線性變換，確定所述特征學習層的輸出。

2.如權利要求1所述的方法，其特征在于，所述對所述圖像執行卷積獲得特征圖包括：

確定卷積核和滑窗間隔；

至少基于所述卷積核和所述滑窗間隔確定所述特征圖，所述特征圖包含圖像的局部特征。

3.如權利要求2所述的方法，其特征在于，至少根據待學習圖像特征的形狀確定所述卷積核。

4.如權利要求3所述的方法，其特征在于，所述卷積核為包括偏移矩陣參數的可變形卷積核，所述偏移矩陣參數參與所述圖像特征學習并可被訓練和更新。

5.如權利要求2所述的方法，其特征在于，根據學習策略確定所述滑窗間隔，所述學習策略包括：在接近圖像邊緣區域設置較大的卷積核滑窗間隔；在遠離圖像邊緣區域設置較小的卷積核滑窗間隔。

6.如權利要求2所述的方法，其特征在于，所述至少基于所述卷積核和所述滑窗間隔確定所述特征圖包括：將所述卷積核在所述圖像上以所述滑窗間隔為步長執行卷積操作以獲得所述特征圖。

7.如權利要求1所述的方法，其特征在于，所述后續各層所述特征學習層的輸入至少由部分前序所述特征學習層的輸出確定包括：

根據各層學習到的圖像特征對后續各層特征學習的影響程度設置各層權重；

將所述各層權重對應地賦予前序各層所述特征學習層的輸出確定各層有效輸出；

將所述各層有效輸出執行疊加融合作為下一層所述特征學習層的輸入。

將所述各層有效輸出通過加法器執行疊加融合。

8.一種圖像特征學習裝置，其特征在于，所述裝置包括：

圖像接收模塊，用于接收待特征學習圖像；

特征圖獲得模塊，用于對所述圖像執行卷積以獲得特征圖；

數據輸入模塊，用于將所述特征圖輸入到第一層所述特征學習層，且后續各層所述特征學習層的輸入至少由部分前序所述特征學習層的輸出確定；以及

數據輸出模塊，用于對各層所述特征學習層的輸入依次執行卷積和非線性變換以確定所述特征學習層輸出。

所述特征圖獲得模塊包括：

卷積核確定模塊，用于確定所述卷積核；

滑窗間隔確定模塊，用于確定所述滑窗間隔；

特征圖確定模塊，用于至少基于所述卷積核確定模塊和所述滑窗間隔確定模塊確定所述特征圖。

所述卷積核確定模塊至少根據待學習圖像特征的形狀確定所述卷積核。

所述卷積核為包括偏移矩陣參數的可變形卷積核，所述偏移矩陣參數參與所述圖像特征學習并可被訓練和更新。

所述滑窗間隔確定模塊根據學習策略確定所述滑窗間隔，所述學習策略包括：在接近圖像邊緣區域設置較大的卷積核滑窗間隔；在遠離圖像邊緣區域設置較小的卷積核滑窗間隔。

所述特征圖獲得模塊將所述卷積核在所述圖像上以所述滑窗間隔為步長執行卷積操作以獲得所述特征圖。

所述數據輸入模塊還包括：

權重設置模塊，用于根據各層學習到的圖像特征對后續各層特征學習的影響程度設置各層權重；

有效輸出確定模塊，用于將所述各層權重對應地賦予前序各層所述特征學習層的輸出確定各層有效輸出；以及

輸入融合模塊，用于將所述各層有效輸出執行疊加融合作為下一層所述特征學習層的輸入。

所述輸入融合模塊通過加法器執行疊加融合。

9.一種圖像特征學習模型，其特征在于，對采用權利要求1-7任一所述的圖像特征學習方法所確定的最后一層特征學習層輸出依次執行至少一組卷積和池化操作，得到圖像特征學習模型。

10.一種計算機存儲介質，用于存儲計算機可讀指令，當所述可讀指令由所述計算機執行時，使得所述計算機執行權利要求1-7任一所述的圖像特征學習方法。