CN112633468A - 一种特征图的处理方法、处理装置及计算机可读存储介质 - Google Patents
一种特征图的处理方法、处理装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112633468A CN112633468A CN202011399423.7A CN202011399423A CN112633468A CN 112633468 A CN112633468 A CN 112633468A CN 202011399423 A CN202011399423 A CN 202011399423A CN 112633468 A CN112633468 A CN 112633468A
- Authority
- CN
- China
- Prior art keywords
- feature map
- convolution
- subsets
- differential
- subset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于神经网络技术领域,提供了一种特征图的处理方法、处理装置及计算机可读存储介质,所述处理方法包括:根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;利用差分互补卷积网络,对初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;对多组输出特征图子集进行拼接,得到拼接后的输出特征图集合。上述处理方法在对神经网络中的输入特征图子集进行处理时,通过差分互补卷积网络对输入特征图子集进行差分互补卷积,得到的输出特征图子集可以提供精准的区分信息,并使拼接后的输出特征图集合融合了多尺度的输出信息,进而提高了整个神经网络的识别精度。
Description
技术领域
本申请属于神经网络技术领域,尤其涉及一种特征图的处理方法、处理装置及计算机可读存储介质。
背景技术
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,是深度学习的重要分支之一,已经在数据处理、图像识别及计算机视觉等领域得到了广泛的应用。为了进一步提高卷积神经网络的性能,现有的解决方法通常是通过设计更复杂的网络结构得以实现。
然而,上述解决方法所设计的网络结构采用的仍然是传统的卷积神经网络中的卷积层,由于传统的卷积层依赖于重复固定的学习模式并且滤波器(即通道)之间相互独立,因此,这些滤波器无法精准地提取详细的区分信息,使得通过这些滤波器得到的输出特征图之间的区别不够明显,即每个滤波器提取的输出特征图不具备鉴别性,由此可见,现有的神经网络特征图处理方法存在输出特征图不能提供精准的区分信息,进而导致整个神经网络的识别精度较低的问题。
发明内容
本申请实施例提供了一种特征图的处理方法、处理装置及计算机可读存储介质,可以解决现有的神经网络特征图处理方法存在输出特征图不能提供精准的区分信息,进而导致整个神经网络的识别精度较低的问题。
第一方面,本申请实施例提供了一种特征图的处理方法,包括:
根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;
利用差分互补卷积网络,对所述初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;
对多组所述输出特征图子集进行拼接,得到拼接后的输出特征图集合。
进一步的,所述差分互补卷积网络包括处理层、卷积层以及差分互补卷积层组;
所述利用差分互补卷积网络,基于多组所述初始输入特征图子集进行差分互补卷积,得到多组所述初始输入特征图子集分别对应的输出特征图子集,包括:
通过所述处理层根据预设策略对所述初始输入特征图子集进行处理,得到第一组输出特征图子集;
通过所述卷积层对所述初始输入特征图子集进行卷积运算,得到第二组输出特征图子集与第一差分信息,并将所述第一差分信息传输至所述差分互补卷积层组;其中,所述第一差分信息用于描述所述初始输入特征图子集和所述第二组输出特征图子集之间的差异程度;
通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合。
进一步的,所述第一差分信息根据以下公式计算得到:
进一步的,所述差分互补卷积层组包括逐级传递中间差分信息的N级中间卷积层组;其中,N为大于0的整数;
所述通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合,包括:
通过所述N级中间卷积层组中的首级卷积层,根据所述第一差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第一中间输出特征图子集;
通过N级中间卷积层组中除所述首级卷积层以外的N-1级所述中间卷积层,分别根据所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到N-1个中间输出特征图子集;
将所述第一中间输出特征图子集与所述N-1个中间输出特征图子集进行拼接,得到所述中间输出特征图集合。
进一步的,在N-1级所述中间卷积层中,第n级中间卷积层,用于根据第N-1级中间卷积层传递的所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第n中间输出特征图子集;其中,n为大于0的整数,且2≤n≤N-1。
进一步的,N-1个中间输出特征图子集中的每个中间输出特征图子集根据以下公式计算得到:
yn=f[x+Δyn-1,w]2≤n≤N-1
其中,yn为所述N级中间卷积层组中的第n中间输出特征图子集,f[·]为卷积函数,x为所述初始输入特征图子集,Δyn-1为所述第N-1级中间卷积层传递的所述中间差分信息,w为卷积权重。
第二方面,本申请实施例提供了一种特征图的处理装置,包括:
划分单元,用于根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;
第一差分互补卷积单元,用于利用差分互补卷积网络,对所述初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;
第一拼接单元,用于对多组所述输出特征图子集进行拼接,得到拼接后的输出特征图集合。
第三方面,本申请实施例提供了一种特征图的处理装置,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的特征图的处理方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的特征图的处理方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在特征图的处理装置上运行时,使得特征图的处理装置执行上述第一方面中任一项所述的特征图的处理方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例提供的一种特征图的处理方法,通过根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;利用差分互补卷积网络,对初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;对多组输出特征图子集进行拼接,得到拼接后的输出特征图集合。上述处理方法在对神经网络中的输入特征图子集进行处理时,通过差分互补卷积网络对输入特征图子集进行差分互补卷积,得到的输出特征图子集可以提供精准的区分信息,并使拼接后的输出特征图集合融合了多尺度的输出信息,进而提高了整个神经网络的识别精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种特征图的处理方法的实现流程图;
图2本申请实施例提供的一种特征图的处理方法中的差分互补卷积网络的结构示意图;
图3是本申请实施例提供的一种特征图的处理方法中S102的具体实现流程图;
图4是本申请另一实施例提供的一种特征图的处理方法的实现流程图;
图5是本申请实施例提供的特征图的处理装置的结构示意图;
图6是本申请另一实施例提供的特征图的处理装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参阅图1,图1是本申请实施例提供的一种特征图的处理方法的实现流程图。本申请实施例中,特征图的处理方法的执行主体为特征图的处理装置。其中,所述处理装置可以是服务器,还可以是服务器内的处理器。这里,服务器可以是智能手机、平板电脑或台式电脑等。
需要说明的是,本申请实施例中,处理装置预先构建了差分互补卷积网络,通过该差分互补卷积网络对输入特征图样本(即输入特征图集合)进行处理。
示例性的,如图2所示,差分互补卷积网络包括处理层A、卷积层B及差分互补卷积层组C。其中,处理层A不对输入的输入特征图子集进行任何运算,直接将输入特征图子集确定为处理层A的输出特征图子集;卷积层B用于对输入的输入特征图子集进行卷积运算,得到卷积层B的输出特征图子集;差分互补卷积层组C包括N级中间卷积层组Cn(图中仅示出首级卷积层C1和第一级中间卷积层),均用于对输入的输入特征图子集进行差分互补卷积,得到差分互补卷积层组C的中间输出特征图集合。其中,X为输入特征图集合,Y为输出特征图集合。
需要说明的是,差分互补卷积指当前中间卷积层可以根据前一级中间卷积层传递的中间差分信息对输入的特征图子集进行卷积运算,得到当前中间卷积层的输出特征图子集。其中,前一级中间卷积层传递的中间差分信息指输入特征图子集和前一级中间卷积层的中间输出特征图子集之间差异的程度。
本申请实施例中,处理装置利用差分互补卷积网络进行卷积运算时,均采用3*3的卷积核。
如图1所示,特征图的处理方法可以包括S101~S103,详述如下:
在S101中,根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集。
本申请实施例中,当处理装置需要对神经网络的特征图进行处理时,可以获取输入特征图集合(即输入特征图样本)。
在本申请实施例的一种实现方式中,处理装置可以从其他终端设备中获取输入特征图集合。
在本申请实施例的另一种实现方式中,处理装置可以预先获取输入特征图集合并进行存储,当处理装置需要对特征图进行处理时,直接从处理装置中获取到该输入特征图集合。
处理装置在获取到输入特征图集合后,可以根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集。其中,预设要求可以根据实际需要设置,此处不作限制,示例性的,预设要求可以是:根据通道数(即神经网络中的滤波器)进行均匀划分。
需要说明的是,处理装置对输入特征图集合进行划分之后,可以得到内容和通道数均相同的多组初始输入特征图子集,且该初始输入特征图子集与输入特征图集合的空间形状相同,只是通道数不同。例如,假设有一输入特征图集合C为通道数,H为输入特征图集合X的高,W为输入特征图集合X的宽,(H,W)则表示为特征图的空间大小,输入特征图集合X的大小为(C=12,H=224,W=224),分组数设置为s=4,则分组之后的会得到4个输入特征图子集,且每个输入特征图子集的大小为(C=3,H=224,W=224)。
在本申请的一个实施例中,分组数可以根据实际需要设置,此处不作限制,示例性,处理装置对于精度要求不高的任务可以通过增加分组数来减少参数量,而针对有存在需求的任务可以通过检索分组数来增加精度。
在S102中,利用差分互补卷积网络,对所述初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集。
本申请实施例中,处理装置在得到初始输入特征图子集后,可以将初始输入特征图子集输入至差分互补卷积网络进行差分互补卷积,可以得到多组输出特征图子集。
在本申请的一个实施例中,由于差分互补卷积网络包括处理层、卷积层及差分互补卷积层组,因此,处理装置在得到初始输入特征图子集后,具体可以通过如图3所示的步骤S301~S304得到多组输出特征图子集,详述如下:
在S301中,通过所述处理层根据预设策略对所述初始输入特征图子集进行处理,得到第一组输出特征图子集。
本实施例中,为了控制参数量,处理装置可以将初始输入特征图子集输入至差分互补卷积网络中的处理层,在处理层中根据预设策略对初始输入特征图子集进行处理,得到第一组输出特征图子集。其中,预设策略可以根据实际需要设置,此处不作限制,示例性的,预设策略可以是:不对输入的初始输入特征图子集进行任何运算。基于此,第一组输出特征图子集与初始输入特征图子集相同。
在S302中,通过所述卷积层对所述初始输入特征图子集进行卷积运算,得到第二组输出特征图子集与第一差分信息,并将所述第一差分信息传输至所述差分互补卷积层组;其中,所述第一差分信息用于描述所述初始输入特征图子集和所述第二组输出特征图子集之间的差异程度。
本实施例中,处理装置在得到第一组输出特征图子集后,可以继续将初始输入特征图子集输入至差分互补卷积网络中的卷积层,并通过卷积层对初始输入特征图子集进行卷积运算,得到第二组输出特征图子集,并确定第二组输出特征图子集与初始输入特征图子集的第一差分信息。其中,第一差分信息用于描述初始输入特征图子集和第二组输出特征图子集之间的差异程度。
在本申请的一个实施例中,处理装置具体可以根据以下公式计算得到第一差分信息:
处理装置在得到第一差分信息后,将该第一差分信息传输至差分互补卷积网络中的差分互补卷积层组。
在S303中,通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合。
在本申请的一个实施例中,由于差分互补卷积层组包括逐级传递中间差分信息的N级中间卷积层组,且N为大于0的整数,因此,处理装置具体可以通过图4所示的步骤S401~S403得到第三组输出特征图子集,详述如下:
在S401中,通过所述N级中间卷积层组中的首级卷积层,根据所述第一差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第一中间输出特征图子集。
本实施例中,处理装置将第一差分信息传输至差分互补卷积层组中的首级卷积层,并将初始输入特征图子集输入至该首级卷积层,再根据该第一差分信息和初始输入特征图子集确定首级卷积层的当前输入特征图子集。
在本申请的一个实施例中,处理装置具体可以通过以下公式计算得到首级卷积层的当前输入特征图子集:
xf=x+Δy1
其中,xf为所述首级卷积层的当前输入特征图子集,x为所述初始输入特征图子集,Δy1为第一差分信息。
处理装置得到首级卷积层的当前输入特征图子集后,可以对该当前输入特征图子集进行卷积运算,得到第一中间输出特征图子集。
在S402中,通过N级中间卷积层组中除所述首级卷积层以外的N-1级所述中间卷积层,分别根据所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到N-1个中间输出特征图子集。
本实施例中,处理装置在得到第一中间输出特征图子集后,可以将初始输入特征图子集输入至N级中间卷积层组中除首级卷积层以外的N-1个中间卷积层,并分别根据中间差分信息,对初始输入特征图子集进行差分互补卷积,得到N-1个中间输出特征图子集。其中,N-1个中间卷积层中每级中间卷积层的中间差分信息均是由该级中间卷积层的上一级中间卷积层得到的中间差分信息。
例如,在N-1个中间卷积层中,第n级中间卷积层,用于根据第N-1级中间卷积层传递的中间差分信息,对初始输入特征图子集进行差分互补卷积,得到第n中间输出特征图子集。其中,n为大于0的整数,且2≤n≤N-1。需要说明的是,第一个中间卷积层的中间差分信息是由首级卷积层得到的。
在本申请的一个实施例中,处理装置具体可以通过以下步骤得到第n中间输出特征图子集,详述如下:
根据所述第N-1级中间卷积层传递的所述中间差分信息和所述初始输入特征图子集,确定所述第n级中间卷积层的当前输入特征图子集。
对所述第n级中间卷积层的当前输入特征图子集进行卷积运算,得到所述第n中间输出特征图子集。
本实施例中,处理装置可以根据第N-1级中间卷积层的第N-1中间输出特征图子集和初始输入特征图子集确定第N-1级中间卷积层的中间差分信息,并将该中间差分信息传递至第n级中间卷积层。
处理装置将初始输入特征图子集传输至第n级中间卷积层,通过第n级中间卷积层,根据第N-1级中间卷积层的中间差分信息和初始输入特征图子集确定第n级中间卷积层的当前输入特征图子集。
在本申请的一个实施例中,处理装置可以根据以下公式确定第n级中间卷积层的当前输入特征图子集:
xn=x+Δyn-12≤n≤N-1
其中,xn为所述当前级的中间卷积层的当前输入特征图子集,x为所述初始输入特征图子集,Δyn-1为第N-1级中间卷积层传递的所述中间差分信息。
处理装置在得到第n级中间卷积层的当前输入特征图子集后,对该当前输入特征图子集进行卷积运算,得到第n中间输出特征图子集。
在本申请的一个实施例中,处理装置具体可以通过以下公式确定第n中间输出特征图子集:
yn=f[x+Δyn-1,w]2≤n≤N-1
其中,yn为第n中间输出特征图子集,f[·]为卷积函数,x为初始输入特征图子集,Δyn-1为第N-1级中间卷积层传递的中间差分信息,w为卷积权重。
在S403中,将所述第一中间输出特征图子集与所述N-1个中间输出特征图子集进行拼接,得到所述中间输出特征图集合。
本实施例中,由于每一级中间卷积层都是根据前一级中间卷积层的中间差分信息对初始输入特征图子集进行差分互补卷积,因此,不同级的中间卷积层的卷积结果可以得到的不同尺度的输出特征图子集,即得到不同尺度的输出信息。基于此,处理装置可以将第一中间输出特征图子集和N-1个中间输出特征图子集进行拼接,得到N级中间输出特征图子集,从而使不同尺度的输出信息进行融合。
其中,不同尺度的中间输出特征图子集可以具体体现为感受野的叠加。示例性的,假设N级中间卷积层组有三级,首级卷积层的感受野大小为3*3,由于每一级中间卷积层的中间输出特征图子集是根据前一级的差分信息对初始输入特征图子集进行差分互补卷积得到的,因此,第一级中间卷积层的感受野可以为3*3和5*5,第二级感受野可以扩展为3*3,5*5及7*7。
本申请实施例中,处理装置将第一组输出特征图子集、第二组输出特征图子集以及中间输出特征图集合统称为多组输出特征图子集。
在S103中,对多组所述输出特征图子集进行拼接,得到拼接后的输出特征图集合。
本申请实施例中,处理装置得到通过差分互补卷积网络得到多组输入特征图子集后,可以将多组输出特征图子集进行拼接,得到拼接后的输入特征图集合。由于处理装置通过差分互补卷积网络对初始输入特征图子集进行了差分互补卷积,因此得到了多组不同尺度的输出特征图子集,对多组输出特征图子集进行拼接,可以使不同尺度的输出信息得到融合。
以上可以看出,本实施例提供的一种特征图的处理方法,通过根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;利用差分互补卷积网络,对初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;对多组输出特征图子集进行拼接,得到拼接后的输出特征图集合。上述处理方法在对神经网络中的输入特征图子集进行处理时,通过差分互补卷积网络对输入特征图子集进行差分互补卷积,得到的输出特征图子集可以提供精准的区分信息,并使拼接后的输出特征图集合融合了多尺度的输出信息,进而提高了整个神经网络的识别精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种特征图的处理方法,图5示出了本申请实施例提供的一种特征图的处理装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图5,该特征图的处理装置500包括:划分单元51、第一差分互补卷积单元52及第一拼接单元53。其中:
划分单元51用于根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集。
第一差分互补卷积单元52用于利用差分互补卷积网络,对所述初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集。
第一拼接单元53用于对多组所述输出特征图子集进行拼接,得到拼接后的输出特征图集合。
在本申请的一个实施例中,所述差分互补卷积网络包括处理层、卷积层以及差分互补卷积层组;所述第一差分互补卷积单元52具体包括:处理单元、第一卷积单元及第二差分互补卷积单元。其中:
处理单元用于通过所述处理层根据预设策略对所述初始输入特征图子集进行处理,得到第一组输出特征图子集。
第一卷积单元用于通过所述卷积层对所述初始输入特征图子集进行卷积运算,得到第二组输出特征图子集与第一差分信息,并将所述第一差分信息传输至所述差分互补卷积层组;其中,所述第一差分信息用于描述所述初始输入特征图子集和所述第二组输出特征图子集之间的差异程度。
第二差分互补卷积单元用于通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合。
在本申请的一个实施例中,所述第一差分信息根据以下公式计算得到:
在本申请的一个实施例中,所述差分互补卷积层组包括逐级传递中间差分信息的N级中间卷积层组;其中,N为大于0的整数;所述第二差分互补卷积具体包括:第三差分互补卷积单元、第四差分互补卷积单元及第二拼接单元。其中:
第三差分互补卷积单元用于通过所述N级中间卷积层组中的首级卷积层,根据所述第一差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第一中间输出特征图子集。
第四差分互补卷积单元用于通过通过N级中间卷积层组中除所述首级卷积层以外的N-1级所述中间卷积层,分别根据所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到N-1个中间输出特征图子集。
第二拼接单元用于将所述第一中间输出特征图子集与所述N-1个中间输出特征图子集进行拼接,得到所述中间输出特征图集合。
在本申请的一个实施例中,所述第四差分互补卷积单元具体用于在N-1级所述中间卷积层中,第n级中间卷积层,用于根据第N-1级中间卷积层传递的所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第n中间输出特征图子集;其中,n为大于0的整数,且2≤n≤N-1。
在本申请的一个实施例中,所述N-1个中间输出特征图子集中的每个中间输出特征图子集根据以下公式计算得到:
yn=f[x+Δyn-1,w]2≤n≤N-1
其中,yn为所述N级中间卷积层组中的第n中间输出特征图子集,f[·]为卷积函数,x为所述初始输入特征图子集,Δyn-1为所述第N-1级中间卷积层传递的所述中间差分信息,w为卷积权重。
以上可以看出,本申请实施例提供的一种特征图的处理装置,通过根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;利用差分互补卷积网络,对初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;对多组输出特征图子集进行拼接,得到拼接后的输出特征图集合。上述处理方法在对神经网络中的输入特征图子集进行处理时,通过差分互补卷积网络对输入特征图子集进行差分互补卷积,得到的输出特征图子集可以提供精准的区分信息,并使拼接后的输出特征图集合融合了多尺度的输出信息,进而提高了整个神经网络的识别精度。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6为本申请一实施例提供的特征图的处理装置的结构示意图。如图6所示,该实施例的特征图的处理装置6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意各个特征图的处理方法实施例中的步骤。
所述特征图的处理装置6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该特征图的处理装置可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是特征图的处理装置6的举例,并不构成对特征图的处理装置6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述特征图的处理装置6的内部存储单元,例如特征图的处理装置6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述特征图的处理装置6的外部存储设备,例如所述特征图的处理装置6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,所述存储器61还可以既包括所述特征图的处理装置6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在特征图的处理装置上运行时,使得特征图的处理装置执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的特征图的处理装置和处理方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种特征图的处理方法,其特征在于,包括:
根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;
利用差分互补卷积网络,对所述初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;
对多组所述输出特征图子集进行拼接,得到拼接后的输出特征图集合。
2.如权利要求1所述的处理方法,其特征在于,所述差分互补卷积网络包括处理层、卷积层以及差分互补卷积层组;
所述利用差分互补卷积网络,基于多组所述初始输入特征图子集进行差分互补卷积,得到多组所述初始输入特征图子集分别对应的输出特征图子集,包括:
通过所述处理层根据预设策略对所述初始输入特征图子集进行处理,得到第一组输出特征图子集;
通过所述卷积层对所述初始输入特征图子集进行卷积运算,得到第二组输出特征图子集与第一差分信息,并将所述第一差分信息传输至所述差分互补卷积层组;其中,所述第一差分信息用于描述所述初始输入特征图子集和所述第二组输出特征图子集之间的差异程度;
通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合。
4.如权利要求2所述的处理方法,其特征在于,所述差分互补卷积层组包括逐级传递中间差分信息的N级中间卷积层组;其中,N为大于0的整数;
所述通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合,包括:
通过所述N级中间卷积层组中的首级卷积层,根据所述第一差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第一中间输出特征图子集;
通过N级中间卷积层组中除所述首级卷积层以外的N-1级所述中间卷积层,分别根据所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到N-1个中间输出特征图子集;
将所述第一中间输出特征图子集与所述N-1个中间输出特征图子集进行拼接,得到所述中间输出特征图集合。
5.如权利要求4所述的处理方法,其特征在于,在N-1级所述中间卷积层中,第n级中间卷积层,用于根据第N-1级中间卷积层传递的所述中间差分信息,对所述初始输入特征图子集进行差分互补卷积,得到第n中间输出特征图子集;其中,n为大于0的整数,且2≤n≤N-1。
6.如权利要求5所述的处理方法,其特征在于,所述N-1个中间输出特征图子集中的每个中间输出特征图子集根据以下公式计算得到:
yn=f[x+Δyn-1,w]2≤n≤N-1
其中,yn为所述N级中间卷积层组中的第n中间输出特征图子集,f[·]为卷积函数,x为所述初始输入特征图子集,Δyn-1为所述第N-1级中间卷积层传递的所述中间差分信息,w为卷积权重。
7.一种特征图的处理装置,其特征在于,包括:
划分单元,用于根据预设要求对输入特征图集合进行划分,得到初始输入特征图子集;
第一差分互补卷积单元,用于利用差分互补卷积网络,对所述初始输入特征图子集进行差分互补卷积,得到多组输出特征图子集;
第一拼接单元,用于对多组所述输出特征图子集进行拼接,得到拼接后的输出特征图集合。
8.如权利要求7所述的处理装置,其特征在于,所述差分互补卷积网络包括处理层、卷积层以及差分互补卷积层组;所述第一差分互补卷积单元还包括:
处理单元,用于通过所述处理层根据预设策略对所述初始输入特征图子集进行处理,得到第一组输出特征图子集;
第一卷积单元,用于通过所述卷积层对所述初始输入特征图子集进行卷积运算,得到第二组输出特征图子集与第一差分信息,并将所述第一差分信息传输至所述差分互补卷积层组;其中,所述第一差分信息用于描述所述初始输入特征图子集和所述第二组输出特征图子集之间的差异程度;
第二差分互补卷积单元,用于通过所述差分互补卷积层组,基于所述第一差分信息对所述初始输入特征图子集进行差分互补卷积,得到中间输出特征图集合。
9.一种特征图的处理装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399423.7A CN112633468A (zh) | 2020-12-03 | 2020-12-03 | 一种特征图的处理方法、处理装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399423.7A CN112633468A (zh) | 2020-12-03 | 2020-12-03 | 一种特征图的处理方法、处理装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633468A true CN112633468A (zh) | 2021-04-09 |
Family
ID=75308257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011399423.7A Pending CN112633468A (zh) | 2020-12-03 | 2020-12-03 | 一种特征图的处理方法、处理装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633468A (zh) |
-
2020
- 2020-12-03 CN CN202011399423.7A patent/CN112633468A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701250B (zh) | 数据定点化方法和装置 | |
CN111310775B (zh) | 数据训练方法、装置、终端设备及计算机可读存储介质 | |
CN109300107B (zh) | 磁共振血管壁成像的斑块处理方法、装置和计算设备 | |
CN111275107A (zh) | 一种基于迁移学习的多标签场景图像分类方法及装置 | |
CN110956263A (zh) | 一种二值化神经网络的构建方法、存储介质及终端设备 | |
CN108449313B (zh) | 电子装置、互联网服务系统风险预警方法及存储介质 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN108255602A (zh) | 任务组合方法及终端设备 | |
CN111784699B (zh) | 一种对三维点云数据进行目标分割方法、装置及终端设备 | |
CN114782686A (zh) | 一种图像分割方法、装置、终端设备及存储介质 | |
CN114138231B (zh) | 执行矩阵乘法运算的方法、电路及soc | |
CN112651975A (zh) | 一种轻量化网络模型的训练方法、装置及设备 | |
CN108874297A (zh) | 合并文件的方法、存储装置、存储设备和存储介质 | |
CN107851007A (zh) | 宽数据类型的比较 | |
CN111210004A (zh) | 卷积计算方法、卷积计算装置及终端设备 | |
KR20210090249A (ko) | 이미지 처리 방법, 장치, 차량 탑재 연산 플랫폼, 전자 디바이스 및 시스템 | |
CN111178513B (zh) | 神经网络的卷积实现方法、卷积实现装置及终端设备 | |
CN112633468A (zh) | 一种特征图的处理方法、处理装置及计算机可读存储介质 | |
CN111382831A (zh) | 加速卷积神经网络模型前向推理的方法及装置 | |
CN114328486A (zh) | 基于模型的数据质量核查方法及装置 | |
CN113160942A (zh) | 影像数据质量评估方法、装置、终端设备及可读存储介质 | |
CN115984661B (zh) | 目标检测中的多尺度特征图融合方法、装置、设备及介质 | |
CN111079843A (zh) | 一种基于rbf神经网络的训练方法 | |
CN114648643A (zh) | 多尺度卷积的方法、装置、终端设备及存储介质 | |
CN109657522A (zh) | 检测可行驶区域的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |