[发明专利]特征提取方法及装置

说明书

本发明公开了一种特征提取方法，方法包括：将原始特征图输入已训练的特征提取模型，由特征提取模型通过分组网络将原始特征图按通道分组得到G组特征集输出到模型中的多尺度增强网络，由多尺度增强网络对G组特征集分别进行多尺度增强处理得到G组处理后的特征集输出到模型中的后处理网络，由后处理网络按通道拼接G组处理后的特征集，并将拼接得到的特征图与原始特征图进行相加；其中多尺度增强处理包括池化处理、卷积处理、上采样处理及累加处理。通过池化处理可以降低特征的分辨率，进而减少计算量和参数量，在卷积之后进行上采样以恢复分辨率，然后与池化前的特征进行累加以恢复特征细节，从而在确保特征有效性的同时减少了计算量和参数量。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种特征提取方法及装置。

背景技术

在计算机视觉领域，特征信息提取是实现各类型网络模型所必需的一步。

在现有技术中，在进行特征信息提取时，通常使用深度残差网络Res2Net网络进行特征信息提取，以增强多尺度特征的提取能力的同时，避免卷积神经网络受到梯度消失问题的影响。然而，在Res2Net网络中，对经过卷积处理后的输入图像进行分组后，每组特征还需要使用卷积组进行卷积处理，因此计算量和参数量比较大。

发明内容

本发明的目的是针对上述现有技术的不足提出的一种特征提取方法及装置，该目的是通过以下技术方案实现的。

本发明的第一方面提出了一种特征提取方法，所述方法包括：

将原始特征图输入已训练的特征提取模型，以由所述特征提取模型通过分组网络将所述原始特征图按照通道分组得到G组特征子集，并输出到所述特征提取模型中的多尺度增强网络，以由所述多尺度增强网络对G组特征子集分别进行多尺度增强处理得到G组处理后的特征子集，并输出到所述特征提取模型中的后处理网络，以由所述后处理网络按照通道拼接G组处理后的特征子集，并将拼接得到的特征图与所述原始特征图进行相加得到输出特征图；

获取所述特征提取模型输出的输出特征图；

其中，所述多尺度增强处理包括池化处理、卷积处理、上采样处理以及累加处理。

本发明的第二方面提出了一种特征提取装置，所述装置包括：

特征提取模块，用于将原始特征图输入已训练的特征提取模型，以由所述特征提取模型通过分组网络将所述原始特征图按照通道分组得到G组特征子集，并输出到所述特征提取模型中的多尺度增强网络，以由所述多尺度增强网络对G组特征子集分别进行多尺度增强处理得到G组处理后的特征子集，并输出到所述特征提取模型中的后处理网络，以由所述后处理网络按照通道拼接G组处理后的特征子集，并将拼接得到的特征图与所述原始特征图进行相加得到输出特征图；

获取模块，用于获取所述特征提取模型输出的输出特征图；

其中，所述多尺度增强处理包括池化处理、卷积处理、上采样处理以及累加处理。

在本申请实施例中，原始特征图输入特征提取模型后，原始特征图经过分组网络分成G组特征子集后，由多尺度增强网络对每组特征子集分别进行多尺度增强处理，然后由后处理网络拼接g组处理后的特征子集，并将拼接得到的特征图与原始特征图进行相加得到输出特征图。其中，针对每组特征子集的多尺度增强处理包括池化处理、卷积处理、上采样处理以及累加处理。

基于上述描述可知，通过使用多尺度增强网络代替现有Res2Net网络中单纯使用的3*3卷积组，由于该多尺度增强网络在对每组特征子集进行卷积处理之前，先经过池化处理以减少特征子集的分辨率，进而减少计算量和参数量，在经过卷积处理之后进行上采样处理以将特征子集恢复到池化处理前的分辨率，然后再与池化处理前的特征子集进行累加处理以恢复池化操作损失的特征细节，从而在确保特征提取信息有效性的同时，减少了计算量和参数量。

附图说明