[发明专利]一种特征图处理方法、装置、存储介质及终端

说明书

本发明公开了一种特征图处理方法、装置、存储介质及终端，所述方法包括：获取目标特征图；将所述目标特征图输入预设通道维随机移位模块后生成第一特征图集合；将所述第一特征图集合输入预设通道重排分组模块后生成第二特征图集合；将所述第二特征图集合中各特征图进行卷积操作处理生成第三特征图集合；将所述第三特征图集合中各特征图对应的各通道相加和各元素相加后输出，生成输出特征图。因此，采用本申请实施例，可以减小CNN模型大小和参数量，并增强了不同移位组通道间的信息交互能力。

技术领域

本发明涉及计算机技术领域，特别涉及一种特征图处理方法、装置、存储介质及终端。

背景技术

随着深度学习的兴起，卷积神经网络(CNN)在计算机视觉领域取得了巨大成功，可以训练出很深的CNN网络进行最大程度地提取有效的卷积特征信息。例如可应用于图像分类、人脸识别和风格迁移。

目前在计算机视觉领域中，卷积神经网络通过卷积来聚集空间信息，CNN依靠卷积核大小为3x3或更大的空间卷积来聚集图像内的空间信息。由于空间卷积在计算和模型大小上都非常昂贵，都与卷积核大小成二次方增长，从而导致增加了模型的大小和参数量。

发明内容

本申请实施例提供了一种特征图处理方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种特征图处理方法，所述方法包括：

获取目标特征图；

将所述目标特征图输入预设通道维随机移位模块后生成第一特征图集合；

将所述第一特征图集合输入预设通道重排分组模块后生成第二特征图集合；

将所述第二特征图集合中各特征图进行卷积操作处理生成第三特征图集合；

将所述第三特征图集合中各特征图对应的各通道相加和各元素相加后输出，生成输出特征图。

可选的，所述将所述目标特征图输入预设通道维随机移位模块后生成第一特征图集合，包括：

将预设通道维随机移位模块对应的移位组中8个移位矩阵进行排序生成排序后的移位矩阵；

将所述目标特征图输入排序后的移位矩阵中进行处理，生成第一特征图集合。

可选的，所述移位组由八个移位操作组成，所述八个移位操作分别表示核大小为3x3的移位矩阵中八个不同方向的移位。

可选的，所述卷积操作处理时的卷积参数为1x1卷积。

第二方面，本申请实施例提供了一种特征图处理装置，所述装置包括：

特征图获取模块，用于获取目标特征图；

第一集合生成模块，用于将所述目标特征图输入预设通道维随机移位模块后生成第一特征图集合；

第二集合生成模块，用于将所述第一特征图集合输入预设通道重排分组模块后生成第二特征图集合；

第三集合生成模块，用于将所述第二特征图集合中各特征图进行卷积操作处理生成第三特征图集合；

输出特征图生成模块，用于将所述第三特征图集合中各特征图对应的各通道相加和各元素相加后输出，生成输出特征图。

可选的，所述第一集合生成模块，包括：

移位矩阵排序单元，用于将预设通道维随机移位模块对应的移位组中8个移位矩阵进行排序生成排序后的移位矩阵；