[发明专利]池化处理方法、系统及存储介质

说明书

本发明涉及信息处理领域，特别涉及一种池化处理方法、系统及存储介质。池化处理方法，包括：通过预设的权重计算模型，获取待处理图像的特征图对应的池化权重图；根据所述特征图和所述池化权重图，获取所述待处理图像的池化结果。采用本发明的实施例，能够保留待处理图像本身的特征进行动态池化，以提升池化处理性能。

技术领域

本发明涉及信息处理领域，特别涉及一种池化处理方法、系统及存储介质。

背景技术

在图像分类等智能学习的重要领域中，卷积神经网络模型由于其高性能和成熟度得到十分广泛的应用。以图像分类为例，对输入图像训练，通过反向传播不断更新模型的参数，最终得到损失最小的卷积神经网络模型用于图像分类。传统卷积神经网络模型包括不同功能的卷积层、池化层和全连接层等，其中，池化层用于接收卷积层的输出并进行池化处理，以实现特征降维、消除噪声、扩大感知野、降低过拟合等效果。然而发明人发现相关技术中存在如下问题：常用于池化层的若干种计算方法，基本是无差别地对输入的信息进行简单数学计算，并不适用于不同类型的输入，影响对不同类型输入的训练效果，也会造成细节信息的丢失。

发明内容

本发明实施例的目的在于提供一种池化处理方法、系统及存储介质，能够根据待处理图像本身进行动态池化，以提升池化处理性能。

为解决上述技术问题，本发明的实施例提供了一种池化处理方法，包括：通过预设的权重计算模型，获取待处理图像的特征图对应的池化权重图，其中，所述预设的权重计算模型经过预设图像的特征图训练得到，所述池化权重图的尺寸和所述特征图尺寸大小一致；根据所述特征图和所述池化权重图，获取所述待处理图像的池化结果。

本发明的实施例还提供了一种池化处理系统，包括：池化权重输出模块，用于通过预设的权重计算模型，获取待处理图像的特征图对应的池化权重图，其中，所述预设的权重计算模型经过预设图像的特征图训练得到，所述池化权重图的尺寸和所述特征图尺寸大小一致；池化结果输出模块，用于根据所述特征图和所述池化权重图，获取所述待处理图像的池化结果。

本发明的实施例还提供了一种池化处理系统，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的池化处理方法。

本发明的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的池化处理方法。

本发明实施例相对于现有技术而言，通过预设的权重计算模型，获取待处理图像的特征图对应的池化权重图，其中，所述预设的权重计算模型经过预设图像的特征图训练得到，所述池化权重图的尺寸和所述特征图尺寸大小一致；根据所述特征图和所述池化权重图，获取所述待处理图像的池化结果；可以理解的是，本发明实施例中提供的权重计算模型，是经过特征图训练得到的，因此通过权重计算模型，能够基于待处理图像本身的特征，来动态地获取到有针对性的池化权重，用于表示待处理图像本身的特征之间的相关性，且相对于人工预设的权重其可参考价值更高；根据获取到的权重来对待处理图像进行池化，在池化处理过程中有效保障了待处理图像的特征的完整性；基于待处理图像本身来动态获取到的权重更具备对于不同类型输入的适应性，有效提升了池化处理性能。

另外，所述特征图对应的池化权重图包括与所述特征图中每个所述特征值对应的权重值，所述通过预设的权重计算模型，获取待处理图像的特征图对应的池化权重图，包括：通过预设滑动窗口对所述特征图进行采样，获取每个所述窗口中的特征值；通过所述权重计算模型，获取每个所述窗口中的激活值；对每个所述窗口中的激活值进行归一化处理，将归一化后的所述激活值作为所述特征值对应的权重值；可以理解的是，归一化后的激活值均处于(0,1)之间，可以用于表示激活值之间的分布概率，适合用来对各激活值的表现性进行评估，也就可以理解为权重。