[发明专利]一种基于小规模参数矩阵计算特征图边界的重构方法

说明书

本发明公开了一种基于小规模参数矩阵计算特征图边界的重构方法，包括由小规模矩阵的复制与重塑，构造重构矩阵，构建部件矩阵，重塑重构矩阵，除外界因素对特征产生的干扰。本发明能有效处理特征图边界损失，模型执行效率高、维护修正模型难度小，能提高卷积神经网络的识别效率、准确率和鲁棒性。

技术领域

本发明涉及计算机视觉图像处理领域，具体来说涉及一种基于小规模参数矩阵计算特征图边界的重构方法。

背景技术

近年来，随着计算机视觉领域的兴起，图像分类任务也成为领域热点，卷积神经网络被公认为计算机视觉领域任务图像处理方法的主要技术。该方法模拟人类大脑视觉神经元对视觉图像处理的原理，提出了用连续卷积的方法实现对人类视觉进行模拟。卷积神经网络通过大量卷积核对图像的处理达到对图片特征的高效率提取，通过加入池化层、全连接层等方法，最后得出对图片类型的预测。但是，随着如今各种数据量呈指数型增长，卷积算法提取的特征往往因为各种外界因素(如：遮挡、采光度、清晰度等)导致特征图边界信息丢失，使卷积神经网络难以高效率进行，因此卷积层后增加特征图边界的重构显得尤为重要。

但目前的特征图边界的重构方案普遍存在问题，如：边界重构方案通用性低，仅仅对某一领域问题的解决能发挥良好的作用；边界重构方案消耗大量计算资源，使模型执行效率低、维护修正模型难度高等问题；在基于卷积方法的特征提取方面，存在提取方法鲁棒性较低，不能有效处理由于外界因素带来的特征图边界损失等问题，因此要寻找一种特征图边界重构的方法是本领域技术人员需要解决的重要问题。

发明内容

本发明的目的在于克服上述缺点而提供的一种能有效处理特征图边界损失，模型执行效率高、维护修正模型难度小，能提高卷积神经网络的识别效率、准确率和鲁棒性的基于小规模参数矩阵的特征图边界重构方法。

为实现本发明的目的，采用技术方案如下：

本发明的一种基于小规模参数矩阵计算的特征图边界重构方法，包括以下步骤：

(1)由小规模矩阵的复制与重塑，构造重构矩阵：小规模参数矩阵：n x n，将图片送入卷积神经网络，由网络中任意一卷积层得到a x b x c x d大小的矩阵，按照卷积层得到的数据量大小除以预设定好的小规模参数矩阵的参数量得到全为1的一维矩阵的参数量，并获得大小为的矩阵，小规模参数矩阵与此矩阵进行点乘操作，完成小规模参数矩阵的复制；先转化为六维矩阵：之后交换第4与第5维，后进行Reshape为四维矩阵：然后剪切此矩阵大小为卷积层得到的矩阵大小a x bx c x d。完成以小规模参数矩阵为单位，对此小规模参数矩阵复制多份，后重新整合为一个重构矩阵的操作；

(2)构建部件矩阵：按照n x n小规模参数矩阵的维度大小构建n*n个部件矩阵，遍历小规模矩阵所有的数据，并得到所有数据的位置，对于每一个数据的位置，都构建一个部件矩阵；遍历小规模矩阵的数据的位置是(y,z)，则对卷积层得到矩阵最后两维的(y,z)位置进行间隔小规模参数矩阵的第一维长度j位横向取样与间隔小规模参数矩阵的第二位长度r位纵向取样，最终得到大小为的矩阵，之后对此矩阵进行展平操作，展平为：大小规模的矩阵，之后构建大小为1 x j x r的二维全一矩阵，之后使两矩阵进行点乘得到的二维矩阵，此操作同于：将取样数据每一个取样点扩展为与小规模参数矩阵大小相同、且矩阵内部数据均同于取样点的矩阵Ex，后依据取样排列顺序对Ex进行组合，先转化为6维矩阵：之后交换第4与第5维，之后进行Reshape为四维矩阵：然后剪切此矩阵大小为卷积层得到的矩阵大小a x b x c x d；

(3)重塑重构矩阵：步骤(2)得到的矩阵与步骤(1)所述的重构矩阵进行点乘，得到矩阵V1；

(4)消除外界因素对特征产生的干扰：遍历获得取样起始点j*r个(因为小规模参数矩阵大小为j x r)，重复以上全部步骤，从而获得矩阵V1、V2……Vj*r共j*r个矩阵，使矩阵V1、V2……Vj*r共j*r个矩阵相加得到的矩阵为卷积层后特征图进行边界重构的结果图，让多个结果图进行点乘，小于1的数值经过相乘得到接近0的结果。