[发明专利]一种生成注意力图像的方法、装置、计算机设备及存储介质

说明书

本申请涉及人工智能及数字医疗领域，提供一种生成注意力图像的方法，对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分N次，得到N个特征矩阵；其中，N为大于1的整数；将所述N个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像，通过所述注意力图像生成策略，最后获得第N个特征矩阵对应的注意力图像。该方法根据粗粒度特征图的自相关性较小的区域预测细粒度特征图对应区域的相关性，减小了矩阵的计算量，提高了生成注意力图像的效率。

技术领域

本发明涉及人工智能领域，尤其涉及一种生成注意力图像的方法、装置、计算机设备及存储介质。

背景技术

随着人工智能的不断发展，出现了一大批语义分割网络，传统的语义分割网络主要通过叠加多个卷积来模拟长距离依赖关系，但获取的依赖关系较弱，为了获得密集的像素级的相关性，Non-Local Network利用自注意力机制生成注意力图像使任何位置的单一特征能够感知所有其他位置的特征，能够产生更强大的像素级的表征能力，自注意力机制能够捕获特征图中任意两个位置的空间依赖关系，获得长距离像素间的依赖信息。但是，在生成注意力图像过程中计算每个像素间的相关性往往需要进行大矩阵的矩阵乘法，在计算过程中往往需要较大的计算量，并且耗费较多的时间，效率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种生成注意力图像的方法、装置、计算机设备及存储介质，以解决在生成注意力图像的过程中计算量大耗费时间多，效率低的问题。

本申请实施例的第一方面提供了一种生成注意力图像的方法，包括：

对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分N次，得到N个特征矩阵；其中，N为大于1的整数；

将所述N个特征矩阵以矩阵尺度从小到大的方式排序，得到注意力图像传递序列；

按照预设的注意力图像生成策略，基于所述注意力图像传递序列生成每个所述特征矩阵对应的注意力图像，通过所述注意力图像生成策略，最后获得第N个特征矩阵对应的注意力图像。

上述方案中，所述对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分N次，得到N个特征矩阵包括：

对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分N次，得到N个特征矩阵，其中每一次划分区域时，将所述特征图划分为大小相等的区域。

上述方案中，所述对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分N次，得到N个特征矩阵包括：

对利用神经网络模型根据原始图进行特征提取得到的特征图进行特征区域划分，每一次划分获得一个特征矩阵，划分N次，得到N个特征矩阵，其中所述N个特征矩阵中第一个特征矩阵中的每个元素值为所在特征区域的特征值均值。

上述方案中，所述预设的注意力图像生成策略包括：

根据第i个特征矩阵，获取第i+1个特征矩阵；其中i为大于1小于N的整数；

根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较大的区域；

根据所述第i+1个特征矩阵，获取第i+1个特征矩阵的注意力图像中自相关性较大的区域的自注意力值；

上述方案中，所述预设的注意力图像生成策略还包括：

根据所述第一阈值，获取第i个特征矩阵的注意力图像中自相关性较小的区域；