[發明專利]模型采樣方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202011185071.5
• 申請日: 2020-10-30
• 公開（公告）號: CN112308138A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 梅棟
• 申請（專利權）人: 中國平安財產保險股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳國新南方知識產權代理有限公司 44374
• 代理人: 周雷

本發明涉及人工智能技術領域，尤其涉及一種模型采樣方法、裝置、設備及存儲介質。該模型采樣方法包括獲取低分辨率圖像；其中，所述低分辨率圖像包括多個特征通道；對所述多個特征通道進行均勻分組，得到多組待測圖像；將每組所述待測圖像輸入至預先訓練好的注意力模型中，得到每組所述待測圖像對應的權重圖像；采用每組所述待測圖像對應的權重圖像對每組所述待測圖像進行不均勻采樣處理，得到每組所述待測圖像對應的顯著圖像；對多個所述顯著圖像進行融合處理，得到待分類圖像；將所述待分類圖像輸入至分類網絡中進行分類。該模型采樣方法可通過不均勻采樣的方式突出圖像中重點關注區域，從而提升后續分類網絡的準確率。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種模型采樣方法、裝置、計算機設備及存儲介質。

背景技術

隨著深度學習的普及，現代的圖像描述方法通常采用卷積神經網絡(Convolutional Neural Network，CNN)進行圖像檢測。但對于圖像檢測任務，檢測物的大小會影響不同卷積層對其的檢測效果，高層卷積將原圖像縮小的比例高，導致網絡對小物體檢測性能較差。

目前，為保證檢測性能，一般是通過采用多尺度特征融合的方式，即使用不同層的輸出作為對不同尺度物體識別的特征圖輸入，但這樣會引入較大計算量，且不同層的輸出結果的融合效果也無法保證。

發明內容

本發明實施例提供一種模型采樣方法、裝置、計算機設備及存儲介質，以解決目前卷積神經網絡中，由于高層卷積將原圖像縮小的比例高，導致卷積網絡對小物體檢測性能較差的問題。

一種模型采樣方法，包括：

獲取低分辨率圖像；其中，所述低分辨率圖像包括多個特征通道；

對所述多個特征通道進行均勻分組，得到多組待測圖像；

將每組所述待測圖像輸入至預先訓練好的注意力模型中，得到每組所述待測圖像對應的權重圖像；

采用每組所述待測圖像對應的權重圖像對每組所述待測圖像進行不均勻采樣處理，得到每組所述待測圖像對應的顯著圖像；

對多個所述顯著圖像進行融合處理，得到待分類圖像；

將所述待分類圖像輸入至分類網絡中進行分類。

一種模型采樣方法裝置，包括：

低分辨率圖像獲取模塊，用于獲取低分辨率圖像；其中，所述低分辨率圖像包括多個特征通道；

通道分組模塊，用于對所述多個特征通道進行均勻分組，得到多組待測圖像；

注意力處理模塊，用于將每組所述待測圖像輸入至預先訓練好的注意力模型中，得到每組所述待測圖像對應的權重圖像；

不均勻采樣模塊，用于采用每組所述待測圖像對應的權重圖像對每組所述待測圖像進行不均勻采樣處理，得到每組所述待測圖像對應的顯著圖像；

圖像融合模塊，用于對多個所述顯著圖像進行融合處理，得到待分類圖像；

圖像分類模塊，用于將所述待分類圖像輸入至分類網絡中進行分類。

一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述模型采樣方法的步驟。

一種計算機存儲介質，所述計算機存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述模型采樣方法的步驟。