[发明专利]特征图的池化方法、数据处理方法和计算设备

说明书

一种特征图的池化方法、数据处理方法和计算设备，该特征图的池化方法应用于包括至少一个空洞池化层的卷积神经网络，该特征图的池化方法包括：获取待池化的特征图；基于所述空洞池化层对所述特征图进行池化，以得到池化后的特征图，其中所述空洞池化层为扩张率大于1的池化层。根据本申请实施例的特征图的池化方法采用的卷积神经网络包括扩张率大于1的空洞池化层，使得对特征图进行池化过程中感受野(相对于标准池化层而言)扩大了，从而提高了对特征图的特征提取能力，并且不会增加计算量。

技术领域

本申请涉及卷积神经网络技术领域，更具体地涉及一种特征图的池化方法、数据处理方法和计算设备。

背景技术

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是卷积神经网络(convolutional neural networks,CNNs)。卷积神经网络目前应用于很多领域，诸如语音识别、图像识别、图像分割、自然语言处理等。

卷积神经网络通常包括卷积层和池化层，其中，池化层主要是用来减少卷积神经网络中参数的数量，防止网络的过拟合，提高网络模型的准确率。池化层进行的池化通常包括最大池化和平均池化。其中，最大池化具有减小卷积层参数误差造成估计均值偏移的作用，更多的保留的是纹理信息；平均池化具有减小邻域大小受限造成的估计值方差增大的作用，更多的保留的是背景信息。

现有的卷积神经网络的池化层通常为标准的池化层，即扩张率(dilation rate，也可称为膨胀率或间隔率)为1的池化层。因此，标准池化层的最大池化和平均池化都是由池化核在相邻的特征图区域进行操作，这使得池化层的感受野受限，特征提取能力有待提升。

发明内容

根据本申请一方面，提供了一种特征图的池化方法，所述方法应用于包括至少一个空洞池化层的卷积神经网络，所述方法包括：获取待池化的特征图；基于所述空洞池化层对所述特征图进行池化，以得到池化后的特征图，其中所述空洞池化层为扩张率大于1的池化层。

在本申请的一个实施例中，所述对所述特征图进行池化，以得到池化后的特征图，包括：对所述特征图进行空洞平均池化，以得到池化后的特征图；其中，所述空洞平均池化是指：将所述待池化的特征图中空洞池化核接受域中的所有值求平均值，以作为池化后的特征图中的值。

在本申请的一个实施例中，所述对所述特征图进行池化，以得到池化后的特征图，包括：对所述特征图进行空洞最大池化，以得到池化后的特征图；其中，所述空洞最大池化是指：将所述待池化的特征图中空洞池化核接受域中的所有值求最大值，以作为池化后的特征图中的值。

在本申请的一个实施例中，所述对所述特征图进行池化，以得到池化后的特征图，包括：对所述特征图进行空洞抽样池化，以得到池化后的特征图；其中，所述空洞抽样池化是指：将所述待池化的特征图中空洞池化核接受域中的所有值维持不变，以作为池化后的特征图中的值。

在本申请的一个实施例中，所述对所述特征图进行池化，包括以下中的至少两项：对所述特征图进行空洞平均池化，得到空洞平均池化特征图，所述空洞平均池化是指：将所述待池化的特征图中空洞池化核接受域中的所有值求平均值，以作为池化后的特征图中的值；对所述特征图进行空洞最大池化，得到空洞最大池化特征图，所述空洞最大池化是指：将所述待池化的特征图中空洞池化核接受域中的所有值求最大值，以作为池化后的特征图中的值；对所述特征图进行空洞抽样池化，得到空洞抽样池化特征图，所述空洞抽样池化是指：将所述待池化的特征图中空洞池化核接受域中的所有值维持不变，以作为池化后的特征图中的值；其中，所述池化后的特征图包括所述空洞平均池化特征图、所述空洞最大池化特征图和所述空洞抽样池化特征图这三者中的至少两者。

在本申请的一个实施例中，所述空洞池化层的扩张率为2或3。