[发明专利]图像特征训练方法、模型、装置和计算机存储介质

说明书

本发明提供了一种人工智能领域中深度学习的图像特征训练方法、模型、装置和计算机存储介质，所述图像特征训练方法包括以下步骤：接收待特征训练图像的特征图作为第一特征训练层的输入；设置特征训练层的层数；所述第三特征训练层及后续各所述特征训练层的输入至少由部分非相邻的前序所述特征训练层的输出确定，所述后续各所述特征训练层的数量与所述设置特征训练层的层数相关联；对各所述特征训练层的输入至少执行一次卷积操作以确定所述特征训练层的输出。本发明提供的特征训练方法通过将前序特征训练层的至少部分输出融合叠加作为当前特征训练层的输入，以弥补特征训练时的特征损失；通过设置特征训练层的层数可以将所述图像特征训练方法中的图像特征提取质量和预测效果维持在较高水平。

技术领域

本发明涉及图像特征训练的技术领域；特别涉及一种图像特征训练方法、模型、装置和计算机存储介质。

背景技术

图像特征训练是机器学习或深度学习在计算机视觉领域极其重要的研究方向之一，是特征训练的重要环节，在神经网络为基础的衍生网络模型中应用非常广泛，典型的衍生网络包括Alex-Net网络、VGG-Net网络、Le-Net网络、Google-Net网络等。图像特征训练过程中比较常用的技术步骤包括卷积操作、池化操作和全连接操作，其中卷积操作和池化操作可以被多次、反复、组合执行。比如，原始图像依次经过卷积、池化、卷积、池化操作后再执行全连接操作；亦或依次经过卷积、卷积、池化、卷积、卷积、池化操作后再执行全连接操作，以学习原始图像中的特征信息。

现有的图像特征训练，都要基于多级特征训练层提取图像特征，当前特征训练层的输入为上一特征训练层的输出，下一特征训练层的输入为当前特征训练层的输出。当前特征训练层仅与相邻特征训练层交互的设计缺陷，将会不可避免地损失至少部分除相邻特征训练层以外其他各特征训练层的特征信息，这些损失的局部特征信息在后续的特征训练层中无法得到补偿，从而导致图像特征训练效果不佳。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，

本发明的第一个目的在于提出一种图像特征训练方法，通过将前序各特征训练层的至少部分输出融合相加作为当前特征训练层的输入，以弥补特征训练时的特征学习损失；通过将图像特征训练层的层数合理设置从而确保图像特征提取质量和预测效果维持在较优水平。

本发明的第二个目的在于提出一种图像特征训练装置，主要通过设置输入确定模块和输出确定模块，将前序各特征训练层的至少部分输出融合相加作为当前特征训练层的输入，以弥补特征训练时的特征学习损失；通过将图像特征训练层的层数合理设置从而确保图像特征提取质量和预测效果维持在较优水平。

本发明的第三个目的在于提出一种图像特征训练模型，对采用本发明第一个目的所提出的图像特征训练方法所确定的最后一层特征训练层输出依次执行至少一组卷积和池化操作，以获取图像特征训练模型，从而提升图像特征提取质量和预测效果。

本发明的第四个目的在于提出一种计算机存储介质，将前序特征训练层的至少部分输出融合相加作为当前特征训练层的输入以计算机指令储存在计算机中，所述指令被执行时可以弥补特征训练时的特征训练损失，从而提升图像特征提取质量和预测效果。

为达到上述目的，本发明第一方面实施例提出一种图像特征训练方法，该方法包括：接收待特征训练图像的特征图作为第一特征训练层的输入；设置特征训练层的层数；所述第三特征训练层及后续各所述特征训练层的输入至少由部分非相邻的前序所述特征训练层的输出确定，所述后续各所述特征训练层的数量与所述设置特征训练层的层数相关联；对各所述特征训练层的输入至少执行一次卷积操作以确定所述特征训练层的输出。

优选地，各所述特征训练层依次连接。

优选地，至少基于预先配置的卷积核和滑窗间隔确定所述特征图，所述特征图包含所述待特征训练图像的局部特征。