[发明专利]自适应步幅卷积的细粒度图像识别方法及系统

权利要求书

1.一种自适应步幅卷积的细粒度图像识别方法，其特征在于，所述识别方法包括：

将待分类图像输入注意力图提取器中以得到具有突出判别区域的注意力图，其中，所述注意力图提取器包括卷积神经网络、特征图重塑模块和三线性乘积模块，所述卷积神经网络用于根据所述待分类图像生成对应的特征图，所述特征图重塑模块用于将所述特征图重塑成矩阵，所述三线性乘积模块用于根据所述矩阵生成所述注意力图；

采用步幅向量生成器根据所述注意力图生成用于表示卷积核分别沿着x轴和y轴方向上扫描的步幅向量；

采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果。

2.根据权利要求1所述的识别方法，其特征在于，采用步幅向量生成器根据所述注意力图生成用于表示卷积核分别沿着x轴和y轴方向上扫描的步幅向量包括：

对所述注意力图执行双线性上采样操作以得到与所述注意力图空间大小相同的第一注意力图；

对所述第一注意力图在x轴方向和y轴方向上分别进行积分以得到用于表示卷积核沿着x轴方向上扫描的宽步幅向量以及用于表示卷积核沿着y轴方向上扫描的高步幅向量。

3.根据权利要求1所述的识别方法，其特征在于，采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果包括：

根据公式(1)计算所述动态步幅卷积模块每次扫描的网格区域的大小，

G＝d·{(-k，-k)，(-k，-k+1)，...，(k-1，k)，(k，k)}， (1)

其中，G为所述网格区域的大小，d为预设的空洞率，k为所述动态步幅卷积模块的卷积核的大小。

4.根据权利要求1所述的识别方法，其特征在于，采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果包括：

根据公式(2)确定所述滑窗计算输出的第二特征图，

其中，y(O_i，j)为所述第二特征图，O_i，j为所述第二特征图中的位置坐标，P_n表示所述网格区域中所有位置的枚举，w为卷积核的权重，S_i，j表示采样位置，x表示采样结果。

5.根据权利要求4所述的识别方法，其特征在于，采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果包括：

根据公式(3)确定所述采样结果，

x(P)＝∑_Qf(Q，P)·x(Q)， (3)

其中，P＝S_i，j+P_n，Q表示枚举滑窗计算过程中所有输出的特征图的所有完整的位置，f为双线性插值核。

6.根据权利要求5所述的识别方法，其特征在于，采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果包括：

根据公式(4)确定所述双线性插值核，

f(Q，P)＝g(Q_x，P_x)·g(Q_y，P_y)， (4)

其中，g为所述双线性插值核的子核，Q_x表示在x轴方向上枚举滑窗计算过程中所有输出的特征图的所有完整的位置，P_x表示在y轴方向上枚举滑窗计算过程中所有输出的特征图的所有完整的位置。

7.根据权利要求6所述的识别方法，其特征在于，采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果包括：

根据公式(5)执行所述动态步幅卷积模块的计算操作，

8.根据权利要求7所述的识别方法，其特征在于，采用动态步幅卷积模块根据所述步幅向量对所述特征图进行滑窗计算以得到所述识别结果包括：

根据公式(6)和公式(7)确定卷积核的权重和采样结果的梯度，