[发明专利]一种可充分保留图像特征的特征提取模型及特征提取方法在审
| 申请号： | 201910865573.3 | 申请日： | 2019-09-12 |
| 公开（公告）号： | CN110659653A | 公开（公告）日： | 2020-01-07 |
| 发明（设计）人： | 刘天弼;杜姗姗;冯瑞 | 申请（专利权）人： | 复旦大学 |
| 主分类号： | G06K9/46 | 分类号： | G06K9/46;G06K9/62 |
| 代理公司： | 31204 上海德昭知识产权代理有限公司 | 代理人： | 郁旦蓉 |
| 地址： | 200433 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 操作层 池化 卷积 卷积神经网络 特征提取模型 边界填充 交替执行 目标分割 目标检测 输入图像 特征提取 特征信息 通道分离 图像分类 图像特征 语义分割 骨干网 主干网 分辨率 无损 像素 信息量 起源 抛弃 保留 应用 分析 网络 | ||
【权利要求书】：
1.一种可充分保留图像特征的特征提取模型，用于对任意分辨率的输入图像进行无损的特征提取操作，其特征在于，包括：
多个卷积操作层，由通道分离卷积和1×1卷积构成；
多个池化操作层，该池化操作层中池化的步长为1，边界填充以0和1像素交替执行，
其中，所述池化操作层的数量为偶数个。
2.根据权利要求1所述的可充分保留图像特征的特征提取模型，其特征在于：
其中，特征图分辨率经传统池化操作后，分辨率降低2×2倍，之后的传统卷积层的卷积核大小为k×k，此卷积操作相对于池化前的可接受野为f×f，则f为：
f＝(k-1)×2+1 (1)
此时，所述池化操作层之后对应衔接的所述卷积操作层以大小为f×f的卷积核执行卷积操作。
3.一种可充分保留图像特征的特征提取方法，其特征在于，包括如下步骤：
步骤D1，将所述特征提取模型作为卷积神经网络中用于进行特征提取的主干网形成无损卷积神经网络，所述无损卷积神经网络用于执行点对点的预测输出；
步骤D2，所述特征提取模型对输入图像进行特征提取得出特征数据；
步骤D3，所述无损卷积神经网络直接获取所述特征数据并进行后续运算，
其中，所述特征提取模型为权利要求1或2所述的可充分保留图像特征的特征提取模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于复旦大学，未经复旦大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910865573.3/1.html，转载请声明来源钻瓜专利网。
