[發(fā)明專利]圖像特征學(xué)習(xí)方法、模型、裝置和計(jì)算機(jī)存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010107596.0
• 申請日: 2020-02-21
• 公開（公告）號: CN111340089A
• 公開（公告）日: 2020-06-26
• 發(fā)明（設(shè)計(jì)）人: 商琦;于翔;張莉;杜梓平
• 申請（專利權(quán)）人: 蘇州工業(yè)園區(qū)服務(wù)外包職業(yè)學(xué)院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州翔遠(yuǎn)專利代理事務(wù)所(普通合伙) 32251
• 代理人: 陸金星

本發(fā)明提供了一種人工智能領(lǐng)域中深度學(xué)習(xí)的圖像特征學(xué)習(xí)方法、模型、裝置和計(jì)算機(jī)存儲介質(zhì)，所述圖像特征學(xué)習(xí)方法包括以下步驟：接收待特征學(xué)習(xí)的圖像；對所述圖像執(zhí)行卷積獲得特征圖；將所述特征圖輸入到第一層特征學(xué)習(xí)層，后續(xù)各層所述特征學(xué)習(xí)層的輸入至少由部分前序所述特征學(xué)習(xí)層的輸出確定；對各層所述特征學(xué)習(xí)層的輸入依次執(zhí)行卷積和非線性變換，確定所述特征學(xué)習(xí)層的輸出。本發(fā)明提供的特征學(xué)習(xí)方法通過將前序特征學(xué)習(xí)層的至少部分輸出融合疊加作為當(dāng)前特征學(xué)習(xí)層的輸入，以彌補(bǔ)特征訓(xùn)練時(shí)的特征學(xué)習(xí)損失，從而提升圖像特征提取質(zhì)量和學(xué)習(xí)效果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像特征學(xué)習(xí)的技術(shù)領(lǐng)域；特別涉及一種圖像特征學(xué)習(xí)方法、模型、裝置和計(jì)算機(jī)存儲介質(zhì)。

背景技術(shù)

圖像特征學(xué)習(xí)是機(jī)器學(xué)習(xí)或深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域極其重要的研究方向之一，是特征訓(xùn)練的重要環(huán)節(jié)，在神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的衍生網(wǎng)絡(luò)模型中應(yīng)用非常廣泛，典型的衍生網(wǎng)絡(luò)包括Alex-Net網(wǎng)絡(luò)、VGG-Net網(wǎng)絡(luò)、Le-Net網(wǎng)絡(luò)、Google-Net網(wǎng)絡(luò)等。圖像特征學(xué)習(xí)過程中比較常用的技術(shù)步驟包括卷積操作、池化操作和全連接操作，其中卷積操作和池化操作可以被多次、反復(fù)、組合執(zhí)行。比如，原始圖像依次經(jīng)過卷積、池化、卷積、池化操作后再執(zhí)行全連接操作；亦或依次經(jīng)過卷積、卷積、池化、卷積、卷積、池化操作后再執(zhí)行全連接操作，以學(xué)習(xí)原始圖像中的特征信息。

現(xiàn)有的圖像特征學(xué)習(xí)，都要基于多級特征學(xué)習(xí)層提取圖像特征，當(dāng)前特征學(xué)習(xí)層的輸入為上一特征學(xué)習(xí)層的輸出，下一特征學(xué)習(xí)層的輸入為當(dāng)前特征學(xué)習(xí)層的輸出。當(dāng)前特征學(xué)習(xí)層僅與相鄰特征學(xué)習(xí)層交互的設(shè)計(jì)缺陷，將會不可避免地?fù)p失至少部分除相鄰特征學(xué)習(xí)層以外其他各特征學(xué)習(xí)層的特征信息，這些損失的局部特征信息在后續(xù)的特征學(xué)習(xí)層中無法得到補(bǔ)償，從而導(dǎo)致圖像特征學(xué)習(xí)效果不佳。

發(fā)明內(nèi)容

本發(fā)明旨在至少在一定程度上解決上述技術(shù)中的技術(shù)問題之一。為此，

本發(fā)明的第一個(gè)目的在于提出一種圖像特征學(xué)習(xí)方法，通過將前序特征學(xué)習(xí)層的至少部分輸出融合疊加作為當(dāng)前特征學(xué)習(xí)層的輸入，以彌補(bǔ)特征訓(xùn)練時(shí)的特征學(xué)習(xí)損失，從而確保圖像特征提取質(zhì)量和學(xué)習(xí)效果。

本發(fā)明的第二個(gè)目的在于提出一種圖像特征學(xué)習(xí)裝置，主要通過輸入數(shù)據(jù)確定模塊和輸出數(shù)據(jù)確定模塊，將前序特征學(xué)習(xí)層的至少部分輸出融合疊加作為當(dāng)前特征學(xué)習(xí)層的輸入，以彌補(bǔ)特征訓(xùn)練時(shí)的特征學(xué)習(xí)損失，從而確保圖像特征提取質(zhì)量和學(xué)習(xí)效果。

本發(fā)明的第三個(gè)目的在于提出一種圖像特征學(xué)習(xí)模型，通過將前序特征學(xué)習(xí)層的至少部分輸出融合疊加作為當(dāng)前特征學(xué)習(xí)層的輸入，以彌補(bǔ)特征訓(xùn)練時(shí)的特征學(xué)習(xí)損失，從而確保圖像特征提取質(zhì)量和學(xué)習(xí)效果。

本發(fā)明的第四個(gè)目的在于提出一種計(jì)算機(jī)存儲介質(zhì)，將前序特征學(xué)習(xí)層的至少部分輸出融合疊加作為當(dāng)前特征學(xué)習(xí)層的輸入以計(jì)算機(jī)指令儲存在計(jì)算機(jī)中，所述指令被執(zhí)行時(shí)可以彌補(bǔ)特征訓(xùn)練時(shí)的特征學(xué)習(xí)損失，從而確保圖像特征提取質(zhì)量和學(xué)習(xí)效果。

為達(dá)到上述目的，本發(fā)明第一方面實(shí)施例提出一種圖像特征學(xué)習(xí)方法，該方法包括：接收待特征學(xué)習(xí)的圖像；對所述圖像執(zhí)行卷積獲得特征圖；將所述特征圖輸入到第一層特征學(xué)習(xí)層，后續(xù)各層所述特征學(xué)習(xí)層的輸入至少由部分前序所述特征學(xué)習(xí)層的輸出確定；對各層所述特征學(xué)習(xí)層的輸入依次執(zhí)行卷積和非線性變換，確定所述特征學(xué)習(xí)層的輸出。

優(yōu)選地，第二層特征學(xué)習(xí)層的輸入為所述第一層特征學(xué)習(xí)層的輸出。

優(yōu)選地，所述對所述圖像執(zhí)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。

優(yōu)選地，至少根據(jù)待學(xué)習(xí)圖像特征的形狀確定所述卷積核。

優(yōu)選地，所述卷積核為包括偏移矩陣參數(shù)的可變形卷積核，所述偏移矩陣參數(shù)參與所述圖像特征學(xué)習(xí)并可被訓(xùn)練和更新。