[發明專利]圖像歸一化處理方法及裝置、存儲介質

在審

• 申請號: 202010123511.8
• 申請日: 2020-02-27
• 公開（公告）號: CN111325222A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 張瑞茂;彭章琳;吳凌云;羅平
• 申請（專利權）人: 深圳市商湯科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06T7/00
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 靳玫

本公開提供了一種圖像歸一化處理方法及裝置、存儲介質，其中，包括：采用不同的歸一化因子，分別對特征圖進行歸一化處理，獲得與所述特征圖對應的多組備選歸一化特征圖；確定與所述特征圖對應的所述不同的歸一化因子的第一權重值；根據所述多組備選歸一化特征圖和所述不同的歸一化因子的所述第一權重值，確定與所述特征圖對應的目標歸一化特征圖。本公開根據不同的歸一化因子，靈活地確定出特征圖對應的目標歸一化特征圖，在實際應用時可以替換各種神經網絡中的任意歸一化層，易于實現與優化。

技術領域

本公開涉及深度學習領域，尤其涉及一種圖像歸一化處理方法及裝置、存儲介質。

背景技術

在自然語言處理、語音識別、計算機視覺等任務中，各種歸一化(Normalization)技術成為深度學習所必不可少的模塊。歸一化技術通常在輸入張量的不同維度進行統計量的計算，從而讓不同的歸一化方法適用于不同的視覺任務。

發明內容

本公開提供了一種圖像歸一化處理方法及裝置、存儲介質。

根據本公開實施例的第一方面，提供一種圖像歸一化處理方法，所述方法包括：采用不同的歸一化因子，分別對特征圖進行歸一化處理，獲得與所述特征圖對應的多組備選歸一化特征圖；確定與所述特征圖對應的所述不同的歸一化因子的第一權重值；根據所述多組備選歸一化特征圖和所述不同的歸一化因子的所述第一權重值，確定與所述特征圖對應的目標歸一化特征圖。

在一些可選實施例中，所述確定與所述特征圖對應的所述不同的歸一化因子的第一權重值，包括：根據不同的歸一化因子，確定與所述特征圖對應的多個第一特征向量；根據所述多個第一特征向量之間的相關性，確定相關性矩陣；根據所述相關性矩陣，確定與所述特征圖對應的所述不同的歸一化因子的所述第一權重值。

在一些可選實施例中，所述根據不同的歸一化因子，確定與所述特征圖對應的多個第一特征向量，包括：對所述特征圖進行下采樣，獲得與所述特征圖對應的第二特征向量；采用所述不同的歸一化因子，分別對所述第二特征向量進行歸一化處理，獲得多個第三特征向量；對所述多個第三特征向量進行降維處理，獲得所述多個第一特征向量。

在一些可選實施例中，所述根據所述多個第一特征向量之間的相關性，確定相關性矩陣，包括：確定每個第一特征向量對應的轉置向量；將第一特征向量和所述轉置向量兩兩相乘，獲得所述相關性矩陣。

在一些可選實施例中，所述根據所述相關性矩陣，確定與所述特征圖對應的所述不同的歸一化因子的所述第一權重值，包括：依次通過第一全連接網絡、雙曲正切變換和第二全連接網絡，將所述相關性矩陣轉換為備選向量；對所述備選向量中的值進行歸一化處理，獲得歸一化處理后的目標向量；根據所述目標向量，確定與所述特征圖對應的所述不同的歸一化因子的所述第一權重值。

在一些可選實施例中，所述根據所述目標向量，確定與所述特征圖對應的所述不同的歸一化因子的所述第一權重值，包括：將所述目標向量中每個維度的值，分別作為與所述特征圖對應的所述不同的歸一化因子的所述第一權重值。

在一些可選實施例中，所述根據所述多組備選歸一化特征圖和所述不同的歸一化因子的所述第一權重值，確定與所述特征圖對應的目標歸一化特征圖，包括：將所述多組備選歸一化特征圖分別與對應的歸一化因子的所述第一權重值相乘，獲得多組第一歸一化特征圖；根據與所述不同的歸一化因子分別對應的第二權重值，分別調整所述多組第一歸一化特征圖的尺寸，獲得多組第二歸一化特征圖；根據與所述不同的歸一化因子分別對應的目標偏移值，分別移動所述多組第二歸一化特征圖，獲得多組第三歸一化特征圖；將所述多組第三歸一化特征圖相加后，獲得與所述特征圖對應的目標歸一化特征圖。