[发明专利]基于贝叶斯卷积的不确定性处理方法、装置、设备和介质

权利要求书

1.基于贝叶斯卷积的不确定性处理方法，其特征在于，包括：

获取待识别图像；

将所述待识别图像输入预训练的卷积神经网络模型进行目标识别，所述卷积神经网络模型包括基于贝叶斯卷积层的通道注意力模块，所述通道注意力模块用于对输入的初始多维特征依次进行平均池化和转置，得到一维特征，对所述一维特征进行贝叶斯卷积，得到卷积特征，将所述卷积特征扩展到与所述初始多维特征的维度相同，并与所述初始多维特征相乘，得到所述通道注意力模块的输出多维特征，所述卷积神经网络模块基于所述输出多维特征对所述待识别图像进行图像识别；

输出所述卷积神经网络模型对所述待识别图像的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述通道注意力模块的目标函数为最小化模型参数的分布和真实贝叶斯后验分布的KL散度。

3.根据权利要求1所述的方法，其特征在于，所述目标函数表示为：

其中，q(ω|θ)表示模型参数ω关于参数θ的分布，p(ω)表示模型参数ω的先验分布，p(y|x,ω)表示所述贝叶斯卷积层对应的概率模型，y表示在输入x和最小化模型参数ω的条件下的输出。

4.根据权利要求2所述的方法，其特征在于，所述目标函数表示为：

l(θ)≈logp(ω|θ)-logp(ω)-logp(y|x,ω)

其中，p(ω|θ)表示最小化模型参数ω关于参数θ的分布，p(ω)表示模型参数ω的先验分布，p(y|x,ω)表示所述贝叶斯卷积层对应的概率模型，y表示在输入x和最小化模型参数ω的条件下的输出。

5.根据权利要求4所述的方法，其特征在于，所述最小化模型参数ω关于参数θ的分布为对角高斯分布，所述模型参数ω的采样为标准高斯，所述参数θ＝(μ,ρ)，其中：

其中，λ是学习速率，参数θ包括均值μ和标准方差σ＝log(1+exp(ρ))。

6.一种基于贝叶斯卷积的不确定性处理装置，其特征在于，包括：

图像获取单元，用于获取待识别图像；

图像识别单元，用于将所述待识别图像输入预训练的卷积神经网络模型进行目标识别，所述卷积神经网络模型包括基于贝叶斯卷积层的通道注意力模块，所述通道注意力模块用于对输入的初始多维特征依次进行平均池化和转置，得到一维特征，对所述一维特征进行贝叶斯卷积，得到卷积特征，将所述卷积特征扩展到与所述初始多维特征的维度相同，并与所述初始多维特征相乘，得到所述通道注意力模块的输出多维特征，所述卷积神经网络模块基于所述输出多维特征对所述待识别图像进行图像识别；

结果输出单元，用于输出所述卷积神经网络模型对所述待识别图像的识别结果。

7.根据权利要求6所述的装置，其特征在于，所述通道注意力模块的目标函数为最小化模型参数的分布和真实贝叶斯后验分布的KL散度。

8.根据权利要求6所述的装置，其特征在于，所述目标函数表示为：

其中，q(ω|θ)表示模型参数ω关于参数θ的分布，p(ω)表示模型参数ω的先验分布，p(y|x,ω)表示所述贝叶斯卷积层对应的概率模型，y表示在输入x和最小化模型参数ω的条件下的输出。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述电子设备实现如权利要求1-5任一所述的基于贝叶斯卷积的不确定性处理方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一所述的基于贝叶斯卷积的不确定性处理方法。