[发明专利]卷积处理方法、装置及电子设备

说明书

本申请实施方式公开了卷积处理方法、装置、电子设备及存储介质，其中的卷积处理方法包括：将待处理图像提供给神经网络；所述待处理图像在经过所述神经网络中的位于不同网络深度的网络结构单元的依次处理后，形成所述待处理图像的图像特征，并输出；其中，至少一网络深度的网络结构单元所执行的处理包括：对由上一网络深度的网络结构单元形成的图像特征进行卷积处理，并对卷积处理后的卷积结果进行门控制处理，至少根据所述门控制处理后的卷积结果，形成当前网络深度的图像特征。

技术领域

本申请涉及计算机视觉技术，尤其是涉及一种卷积处理方法、卷积处理装置、电子设备、计算机可读存储介质以及计算机程序。

背景技术

在文字识别以及动作识别等众多应用中，往往需要先通过卷积处理，获得待处理图像的图像特征，之后，通过对待处理图像的图像特征进行进一步的处理，可以实现文字识别以及动作识别等多种任务。

通常情况下，可以将待处理图像提供给神经网络(如卷积神经网络)，由神经网络形成待处理图像的图像特征。如何使神经网络能够针对待处理图像形成更为准确的图像特征，从而有利于提高图像处理结果的准确性，是一个值得关注的技术问题。

发明内容

本申请实施方式提供一种卷积处理的技术方案。

根据本申请实施方式的其中一个方面，提供了一种卷积处理方法，该方法主要包括：将待处理图像提供给神经网络；所述待处理图像在经过所述神经网络中的位于不同网络深度的网络结构单元的依次处理后，形成所述待处理图像的图像特征，并输出；其中，至少一网络深度的网络结构单元所执行的处理包括：对由上一网络深度的网络结构单元形成的图像特征进行卷积处理，并对卷积处理后的卷积结果进行门控制处理，至少根据所述门控制处理后的卷积结果，形成当前网络深度的图像特征。

在本申请一实施方式中，所述网络深度包括：基于时序而形成的网络深度；所述至少一网络深度的网络结构单元所执行的处理包括：对由上一时刻网络深度的网络结构单元形成的图像特征进行卷积处理，并对卷积处理后的卷积结果进行门控制处理，至少根据所述门控制处理后的卷积结果，形成当前时刻网络深度的图像特征。

在本申请又一实施方式中，所述对卷积处理后的卷积结果进行门控制处理包括：根据门控制函数对所述卷积处理后的卷积结果进行门控制处理；其中，所述门控制函数包括：Sigmoid函数或线性函数。

在本申请再一实施方式中，所述根据门控制函数对所述卷积处理后的卷积结果进行门控制处理包括：利用Sigmoid函数或线性函数形成门控制矩阵；根据所述门控制矩阵与所述卷积处理后的卷积结果的运算结果，获得门控制处理的结果。

在本申请再一实施方式中，所述对卷积处理后的卷积结果进行门控制处理包括：将上一网络深度的网络结构单元形成的图像特征与上一网络深度对当前网络深度的网络结构单元形成图像特征影响的卷积参数的卷积的批规范化处理结果，与当前网络深度的门控制函数进行点积操作，并对点积操作后的结果进行批规范化处理。

在本申请再一实施方式中，所述当前网络深度的门控制函数包括：针对待处理图像的初始图像特征与初始图像特征对门控制函数影响的卷积参数的卷积的批规范化处理结果，与上一网络深度的图像特征对门控制函数影响的卷积参数与上一网络深度的图像特征的卷积的批规范化处理结果之和，进行Sigmoid处理或线性处理。

在本申请再一实施方式中，所述至少根据所述门控制处理后的卷积结果，形成当前网络深度的图像特征包括：根据待处理图像的初始图像特征与第0网络深度的网络结构单元对形成图像特征影响的卷积参数的卷积以及所述门控制处理后的卷积结果，形成当前网络深度的图像特征。