[发明专利]特征图处理方法、图像处理方法及装置

说明书

本公开提供了特征图处理方法、图像处理方法及装置。其中特征图处理方法包括：获取次级特征图；基于次级特征图，通过池化得到个性参数；基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数；基于个性指导参数，调整对应的每个卷积层的权重，得到每个卷积层对应的个性权重；基于次级特征图，通过具有个性权重的每个卷积层，得到高级特征图。本公开通过设置与卷积神经网络对应的参数神经网络，针对输入的不同特征图并利用层级之间的联系，生成不同的个性权重，每个特征图通过根据各自特点生成的个性权重进行特征提取，从而提高了结果的精度。

技术领域

本公开一般地涉及图像识别领域，具体涉及一种特征图处理方法、图像处理方法及装置。

背景技术

随着计算机技术的发展，越来越多的场景需要通过计算机技术来进行如目标检测、目标识别等图像处理工作。其中卷积神经网络(CNN)模型是现代深度视觉识别系统的核心。卷积神经网络的形式一般是Y＝comv(X,W)，其中X是输入特征，Y是输出特征，W是权重。通过神经网络反向传播、梯度更新等算法，更新权重的值，神经网络的训练也即对权重的更新。

而通过完成对一个神经网络的训练，所有的数据将这个训练好的网络的权重，也即所有数据共享这套权重；然而，所有数据虽然都有共性，可以公用一个权重，但数据还有各自的特点，仅用一个权重会导致输出特征的不准确。

发明内容

为了解决现有技术中存在的上述问题，本公开的第一方面特征图处理方法，其中，方法包括：获取次级特征图；基于次级特征图，通过池化得到个性参数；基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数；基于个性指导参数，调整对应的每个卷积层的权重，得到每个卷积层对应的个性权重；基于次级特征图，通过具有个性权重的每个卷积层，得到高级特征图。

在一例中，基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数，还包括：根据卷积层的类型，设置对应的参数调整层；根据卷积层的顺序，依次连接参数调整层得到参数神经网络。

在一例中，根据卷积层的顺序，依次连接参数调整层得到参数神经网络，包括：根据M层卷积层的顺序，依次连接第1参数调整层至第M参数调整层，M为大于1的自然数；基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数，包括：第m参数调整层根据输入参数，得到对应卷积层的个性指导参数，且，当m＝1时，第1参数调整层的输入参数为个性参数，当m＞1时，第m参数调整层的输入参数根据第m-1参数调整层的个性指导参数得到，其中m为自然数且m≤M。

在一例中，根据卷积层的类型，设置对应的参数调整层，包括：若卷积层为点卷积层，则设置对应的点卷积参数调整层；基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数，包括：根据点卷积参数调整层的输入参数，通过点卷积参数调整层，得到点卷积层的含有次级特征图信息的个性指导参数。

在一例中，根据卷积层的类型，设置对应的参数调整层，包括：若卷积层为深度可分离卷积层，则设置对应的深度可分离卷积参数调整层；基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数，包括：根据深度可分离参数调整层的输入参数，通过深度可分离卷积参数调整层，得到深度可分离卷积层的含有次级特征图信息的个性指导参数。

在一例中，基于个性参数，通过参数神经网络得到与每个卷积层一一对应的个性指导参数，还包括：通过对输入参数进行矩阵变化，经激活函数进行非线性变换，得到个性指导参数。

在一例中，其中，池化为全局平均池化。

本公开的第二方面提供一种图像处理方法，包括：获取图像；根据权利要求1-7任一项的特征图处理方法，提取图像的图像特征；根据图像特征进行图像识别。