[發明專利]視覺任務的處理方法、裝置和電子系統

在審

• 申請號: 202010422194.X
• 申請日: 2020-05-18
• 公開（公告）號: CN111814534A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 夏春龍
• 申請（專利權）人: 北京邁格威科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 何少巖

1.一種視覺任務的處理方法，其特征在于，所述方法包括：

獲取待處理圖像，將所述待處理圖像輸入至預設的網絡模型中，輸出所述待處理圖像對應的特征數據；

基于所述特征數據，完成預設的視覺任務；

其中，所述網絡模型包括至少一個特征提取模塊；所述特征提取模塊包括第一分支和第二分支；所述第一分支用于提取輸入至所述特征提取模塊的目標數據的局部特征；所述第二分支用于提取所述目標數據的全局特征。

2.根據權利要求1所述的方法，其特征在于，所述第一分支包括第一卷積層；所述第一卷積層用于對所述目標數據進行第一卷積處理，得到所述目標數據的局部特征。

3.根據權利要求1所述的方法，其特征在于，所述第二分支包括第二卷積層、全連接層和第三卷積層；

所述第二卷積層用于對所述目標數據進行第二卷積處理，以降低所述目標數據的通道數；

所述全連接層用于從降低通道數后的所述目標數據中提取全局特征；

所述第三卷積層用于對所述全局特征進行第三卷積處理，得到預設尺度和預設通道數的全局特征。

4.根據權利要求1所述的方法，其特征在于，所述特征提取模塊還用于：將所述全局特征和所述局部特征進行拼接處理，得到包含有所述全局特征和所述局部特征的綜合特征。

5.根據權利要求4所述的方法，其特征在于，所述特征提取模塊還用于：基于預設的權重參數，將所述全局特征和所述局部特征進行拼接處理，得到所述綜合特征；其中，所述權重參數用于：確定所述綜合特征中，所述全局特征和所述局部特征的通道數。

6.根據權利要求4所述的方法，其特征在于，所述特征提取模塊還包括第四卷積層；

所述第四卷積層用于對包含有所述全局特征和所述局部特征的綜合特征進行第四卷積處理，以對所述全局特征和所述局部特征進行特征融合，得到融合特征。

7.根據權利要求6所述的方法，其特征在于，所述第四卷積層還用于：通過預設的第一通道數調整參數，調整所述融合特征的通道數。

8.根據權利要求6或7所述的方法，其特征在于，所述特征提取模塊還包括特征疊加層；所述特征疊加層用于：

將輸入至所述特征提取模塊的所述目標數據，與所述融合特征進行逐點相加處理，得到所述目標數據和所述融合特征的疊加特征；

將所述疊加特征輸出所述特征提取模塊。

9.根據權利要求1-7任一項所述的方法，其特征在于，所述特征提取模塊還包括第五卷積層；所述第五卷積層分別與所述第一分支和所述第二分支連接；

所述第五卷積層用于通過預設的第二通道數調整參數，調整所述目標數據的通道數；將通道數調整后的所述目標數據，分別輸入至所述第一分支和所述第二分支。

10.根據權利要求1所述的方法，其特征在于，所述網絡模型包括多個特征提取模塊；多個所述特征提取模塊依次串聯連接。

11.根據權利要求1所述的方法，其特征在于，所述網絡模型通過下述方式訓練得到：

設置所述網絡模型中的超參數；

基于預設的樣本集合對所述網絡模型進行迭代訓練，得到所述網絡模型的多個中間訓練結果和最終訓練結果；

將所述最終訓練結果確定為訓練后的所述網絡模型；或者，基于預設的測試樣本測試所述網絡模型的中間訓練結果和所述最終訓練結果，根據測試結果確定訓練后的所述網絡模型。