[发明专利]特征提取方法、装置、电子设备及计算机可读存储介质

说明书

本申请实施例提供了一种特征提取方法、装置、电子设备及计算机可读存储介质，所述方法包括：获取待处理图像，将所述待处理图像输入到卷积神经网络进行特征提取，得到所述待处理图像对应的特征向量；其中，所述卷积神经网络中的至少一个卷积模块包括一个自注意力层；输出所述待处理图像对应的特征向量。本申请实施例可以提高特征向量提取的准确度。

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种特征提取方法、装置、电子设备及计算机可读存储介质。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是目前计算机视觉中最常用、最有效的一种模型，它能有效地利用层级结构，提取图片中从底层到高层的不同特征，卷积层在输出的特征图上，每个输出点的值由局部信息计算而来，比如，采用3×3大小的卷积核，通过图片与卷积核重合区域内相对应的每一个像素值乘卷积核内相对应点的权重，计算权重的和值以及增加偏置后输出特征图中的一个像素值。但是，现有技术中的卷积神经网络只考虑局部的信息和结构，导致在通过上述卷积神经网络从图像中提取特征时，卷积神经网络输出的特征图中会出现与目标特征无关的噪声，降低提取的特征的准确度。

发明内容

有鉴于此，本申请的目的在于提供一种特征提取方法、装置、电子设备及计算机可读存储介质，用于解决现有技术在进行特征提取时提取的特征向量准确度低的问题。

第一方面，本申请实施例提供了一种特征提取方法，该方法包括：

获取待处理图像；

将所述待处理图像输入到卷积神经网络进行特征提取，得到所述待处理图像对应的特征向量，其中，所述卷积神经网络中的至少一个卷积模块包括一个自注意力层；

输出所述待处理图像对应的特征向量。

可选地，所述卷积神经网络中的至少一个卷积模块包括一个自注意力层进一步包括：所述卷积神经网络中的特定卷积模块包括一个自注意力层。

可选地，所述卷积神经网络中的特定卷积模块包括一个自注意力层进一步包括：所述卷积神经网络中的每个卷积模块均包括一个自注意力层。

可选地，所述卷积神经网络还包括分类器，在所述输出所述待处理图像对应的特征向量后，还包括：

将所述待处理图像对应的特征向量输入到所述分类器，得到分类结果；

基于所述分类结果，确定所述待处理图像的分类。

可选地，在所述输出所述待处理图像对应的特征向量后，还包括：

获取目标图像的特征向量；

基于所述目标图像的特征向量和所述待处理图像的特征向量，确定所述目标图像与所述待处理图像之间的相似度；

根据所述相似度，输出针对所述待处理图像的提示信息。

可选地，根据以下步骤训练所述卷积神经网络：

获取训练图像；

控制所述卷积神经网络中各所述卷积模块的参数不变，基于所述训练图像对所述卷积模块中的自注意力层进行训练。

可选地，控制所述卷积神经网络中各所述卷积模块的参数不变，基于所述训练图像对所述卷积神经网络中的自注意力层进行训练进一步包括：

控制所述卷积神经网络中各所述卷积模块的参数不变，基于所述训练图像对当前卷积模块中的自注意力层进行训练；

在训练完毕所述当前卷积模块的自注意力层后，控制所述卷积神经网络中各卷积模块的参数和当前卷积模块的自注意力层的参数不变，基于所述训练图像对下一个卷积模块的自注意力层进行训练，直到训练完所述卷积神经网络中的所有卷积模块的自注意力层为止。