特征图的处理方法及装置与流程

1.本技术实施例涉及计算机技术领域，具体涉及一种特征图的处理方法及装置。


背景技术：

2.为确保运行的安全性，自动驾驶车辆必须对可能阻碍行驶的障碍物进行检测识别，以便根据不同的障碍物类型和状态做出合理的回避动作。目前，主流的检测方法是先用一个神经网络去学习物体的特征，该神经网络称为骨干网；然后，将学习到的特征图分别输入到不同的任务分支，执行物体类别的检测、物体位置的识别等任务。骨干网的特征学习过程中，默认所学习到的特征图的每个通道的权重是一样的，很难对一些重要程度较高的通道给予更高的权重去学习更多的有效特征，使得所得到的特征图的表现力欠缺。


技术实现要素：

3.本技术实施例提出了一种特征图的处理方法及装置。
4.第一方面，本技术实施例提供了一种特征图的处理方法，包括：通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图；根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重；根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
5.在一些实施例中，上述根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重，包括：对于中间特征图的多个通道中的每个通道，根据该通道所表征的初始特征图的局部信息，得到该通道对应的全局信息；对中间特征图的多个通道一一对应的多个全局信息进行归一化，得到初始特征图的多个通道一一对应的权重。
6.在一些实施例中，上述对于中间特征图的多个通道中的每个通道，根据该通道所表征的初始特征图的局部信息，得到该通道对应的全局信息，包括：对于中间特征图的多个通道中的每个通道，对该通道所表征的初始特征图的局部信息进行全局平均池化，得到该通道对应的全局信息。
7.在一些实施例中，上述通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图，包括：通过预设尺寸的、与初始特征图的多个通道一一对应的多个卷积核，采用预设步长，对初始特征图进行特征提取，得到中间特征图。
8.在一些实施例中，上述根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图，包括：对于初始特征中的每个通道，将该通道以及对应于该通道的权重相乘，得到对应于该通道的、最终特征图中的通道，以得到最终特征图。
9.在一些实施例中，初始特征图由对自动驾驶车辆的图像采集装置采集到的待检测图像进行特征提取得到。
10.在一些实施例中，在上述通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图之前，还包括：对于深度学习模型中的每个特
征提取模块，将该特征提取模块输出的特征图作为初始特征图；以及在上述根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图之后，还包括：将该特征提取模块输出的特征图所对应的最终特征图，作为深度学习模型中该特征提取模块的下一模块的输入。
11.在一些实施例中，上述方法还包括：基于所获取的待处理图像，通过深度学习模型执行预设信息处理任务。
12.第二方面，本技术实施例提供了一种特征图的处理装置，包括：提取单元，被配置成通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图；第一确定单元，被配置成根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重；得到单元，被配置成根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
13.在一些实施例中，第一确定单元，进一步被配置成：对于中间特征图的多个通道中的每个通道，根据该通道所表征的初始特征图的局部信息，得到该通道对应的全局信息；对中间特征图的多个通道一一对应的多个全局信息进行归一化，得到初始特征图的多个通道一一对应的权重。
14.在一些实施例中，第一确定单元，进一步被配置成：对于中间特征图的多个通道中的每个通道，对该通道所表征的初始特征图的局部信息进行全局平均池化，得到该通道对应的全局信息。
15.在一些实施例中，提取单元，进一步被配置成：通过预设尺寸的、与初始特征图的多个通道一一对应的多个卷积核，采用预设步长，对初始特征图进行特征提取，得到中间特征图。
16.在一些实施例中，得到单元，进一步被配置成：对于初始特征中的每个通道，将该通道以及对应于该通道的权重相乘，得到对应于该通道的、最终特征图中的通道，以得到最终特征图。
17.在一些实施例中，初始特征图由对自动驾驶车辆的图像采集装置采集到的待检测图像进行特征提取得到。
18.在一些实施例中，上述装置还包括：第二确定单元，被配置成对于深度学习模型中的每个特征提取模块，将该特征提取模块输出的特征图作为初始特征图；第三确定单元，被配置成将该特征提取模块输出的特征图所对应的最终特征图，作为深度学习模型中该特征提取模块的下一模块的输入。
19.在一些实施例中，上述装置还包括：处理单元，被配置成基于所获取的待处理图像，通过深度学习模型执行预设信息处理任务。
20.第三方面，本技术实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。
21.第四方面，本技术实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
22.本技术实施例提供的特征图的处理方法及装置，通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图；根据中间特征图的多
个通道，确定初始特征图的多个通道一一对应的权重；根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图，从而提供了一种针对于特征图的处理方式，突出了最终特征图中不同通道的重要性，提高了特征图的表现力。
附图说明
23.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
24.图1是本技术的一个实施例可以应用于其中的示例性系统架构图；
25.图2是根据本技术特征图的处理方法的一个实施例的流程图；
26.图3是根据本实施例的特征图的处理方法的应用场景的示意图；
27.图4是根据本技术的特征图的处理方法的又一个实施例的流程图；
28.图5是根据本技术的特征图的处理装置的一个实施例的结构图；
29.图6是适于用来实现本技术实施例的计算机系统的结构示意图。
具体实施方式
30.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
31.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
32.图1示出了可以应用本技术的特征图的处理方法及装置的示例性架构100。
33.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
34.终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于摄像头、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
35.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的待处理图像进行特征提取的后台服务器。在特征提取过程中，服务器可以学习到特征图的不同通道的重要程度，以提高所得到的特征图的表现力，以及提高深度学习模型基于所得到的特征图的信息处理结果的准确度。作为示例，服务器105可以是云端服务器。
36.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
37.还需要说明的是，本技术的实施例所提供的特征图的处理方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，特征图的处理装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
38.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当特征图的处理方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括特征图的处理方法运行于其上的电子设备(例如服务器或终端设备)。
39.继续参考图2，示出了特征图的处理方法的一个实施例的流程200，包括以下步骤：
40.步骤201，通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图。
41.本实施例中，特征图的处理方法的执行主体(例如图1中的终端设备或服务器)可以通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图。
42.初始特征图为针对于待处理图像进行特征提取操作所得到的特征图。作为示例，在自动驾驶场景中，初始特征图为检测模型中的特征提取层，对自动驾驶汽车上的摄像头所摄取的待检测图像进行特征提取所得到的特征图。
43.一般情况下，特征图包括多个通道。以rgb(red green blue，红色、绿色、蓝色)图像为例，其对应的特征图包括r、g、b三个通道。
44.本实施例中，对于初始特征图的多个通道的每个通道，通过该通道对应的卷积核进行特征提取，得到进行了再次特征提取操作后的该通道。进而，组合再次特征提取操作后的各通道，得到中间特征图。
45.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：通过预设尺寸的、与初始特征图的多个通道一一对应的多个卷积核，采用预设步长，对初始特征图进行特征提取，得到中间特征图。
46.其中，预设尺寸、预设步长可以根据实际情况具体设置。作为示例，预设尺寸为3
×
3，预设步长为2。
47.基于预设尺寸，可以灵活地确定特征提取过程中的感受野，从而确定中间特征图中的每个特征点所表征的初始特征图中的局部信息。基于预设步长，可以确定针对于初始特征图的下采样程度，可以减少执行特征提取操作的深度学习模型的参数，提升模型的性能。
48.步骤202，根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重。
49.本实施例中，上述执行主体可以根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重。
50.中间特征图的通道的数量与初始特征图的通道的数量相同，并且一一对应。对于中间特征图的多个通道中的每个通道，上述执行主体可以对中间特征图的该通道进行信息处理，得到中间特征图的该通道所对应的初始特征图的该通道的权重。
51.作为示例，上述执行主体可以统计中间特征图的每个通道中特征值超过预设阈值
的特征点的数量，进而根据每个通道对应的数量确定每个通道对应的权重。其中，预设阈值可以根据实际情况灵活设置。
52.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤202：
53.首先，对于中间特征图的多个通道中的每个通道，根据该通道所表征的初始特征图的局部信息，得到该通道对应的全局信息。然后，对中间特征图的多个通道一一对应的多个全局信息进行归一化，得到初始特征图的多个通道一一对应的权重。
54.中间特征图基于预设尺寸的卷积核对初始特征图卷积得到，中间特征图的每个特征点对应于初始特征图中预设尺寸内的局部信息。基于中间特征图的每个通道中的每个特征点对应的数值，上述执行主体可以根据求和、求取平均值等操作，得到该通道对应的全局信息。进而，多个全局信息进行归一化，得到初始特征图的多个通道一一对应的权重。
55.在本实施例的一些可选的实现方式中，对于中间特征图的多个通道中的每个通道，上述执行主体对该通道所表征的初始特征图的局部信息进行全局平均池化，得到该通道对应的全局信息。
56.步骤203，根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
57.本实施例中，上述执行主体根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
58.作为示例，对于初始特征图的每个通道，将该通道对应的特征信息与该通道对应的权重相乘，得到该通道对应的最终特征信息。结合每个通道的最终特征信息，得到最终特征图。
59.在本实施例的一些可选的实现方式中，上述执行主体可以将上述步骤201
‑
203所述的特征处理方法作为一个特征处理单元，应用于处理各种预设信息处理任务的深度学习模型。
60.可以理解，深度学习模型中可能包括多个特征提取模块，在上述步骤201之前，对于深度学习模型中的每个特征提取模块，将该特征提取模块输出的特征图作为初始特征图。通过上述步骤201
‑
203所述的特征处理方法，可以得到该特征提取模块所输出的特征图所对应的最终特征图。
61.在步骤203之后，将该特征提取模块输出的特征图所对应的最终特征图，作为深度学习模型中该特征提取模块的下一模块的输入，以在后部处理流程中基于最终特征图进行信息处理。
62.其中，深度学习模型可以是各种各样的深度学习模型。例如，深度学习模型包括rnn(recurrent neural network，循环卷积神经网络)、resnet(deep residual network，深度残差网络)系列，densenet(dense convolutional network，稠密卷积网络)系列，inception(奠基)系列，xception(extreme inception，极致的inception)等深度神经网络。
63.在本实施例的一些可选的实现方式中，上述执行主体可以基于所获取的待处理图像，通过深度学习模型执行预设信息处理任务。
64.其中，预设信息处理任务可以是神经网络所能处理的各种各样的处理任务。作为
示例，在自动驾驶领域，预设信息处理任务可以是障碍物检测、障碍物识别、交通线识别等任务；在人员检测领域，预设信息处理任务可以是人脸识别、目标追踪、人脸鉴伪等任务。
65.本实现方式中，基于更具表现力的最终特征图，提高了深度学习模型执行预设信息处理任务所得到的结果的准确度。
66.为了充分说明最终特征图的得到过程，给出一种具体的实现方案：
67.首先，对于初始特征图中的每个通道，采用一个卷积核学习该通道上的非线性关系，得到中间特征图的通道：
68.s
i
＝f
conv
(u
i
，w
i
)＝relu(w
i
×
u
i
)，i＝1，2......c
69.其中，c表示卷积核的数量或初始特征图的通道的数量；u
i
表示初始特征图的通道i上的特征值，w
i
表示3
×
3的卷积核，s
i
表示中间特征图的通道i，f
conv
表示卷积函数，relu表示激活函数。上述操作只是改变初始特征图的大小，不改变初始特征图的通道数。其中，卷积操作中的步长设为2，进行2倍的下采样，一方面为了减少模型的参数，提升模型的性能，一方面增加了模型的感受野，以学到更多的局部特征信息。
70.然后，学习每个通道的全局信息以更好、更全面地描述初始特征图的各通道之间的特征关系。由于上述的卷积操作只是在一个局部空间内进行操作，较小的感受野使其很难获得足够的全局信息来提取通道之间的关系。为了有效地编码出初始特征图中的每个通道上的全局信息，采用全局平均池化将中间特征中的每个通道上的整个空间特征编码为一个全局特征：
[0071][0072]
其中，f
avg
表示全局平均池化操作，s
i
(a，b)表示中间特征图的通道i中的(a，b)处的特征值，h
′
、w
′
分别表示中间特征图的高度、宽度。
[0073]
最后，通过sigmoid函数将中间特征图中的每个通道的全局信息归一化到0～1区间内，并将激活后的激活值作为一个权重值赋予到初始特征图中的各个通道上，得到最终特征图中的各通道：
[0074]
x
i
＝u
i
·
sigmoid(z
i
)
[0075]
确定最终特征图中的各通道后，即可得到最终特征图。
[0076]
继续参见图3，图3是根据本实施例的特征图的处理方法的应用场景的一个示意图300。在图3的应用场景中，基于自动驾驶汽车301上的图像采集设备摄取了表征自动驾驶汽车301所处的交通环境的图像302，并将图像302发送至服务器303。服务器303对图像302进行特征提取得到初始特征图304。初始特征图304包括通道3041、3042、3043，服务器303通过与初始特征304的多个通道3041、3042、3043一一对应的多个卷积核3051、3052、3053，对初始特征图304进行特征提取，得到中间特征图306。然后，根据中间特征图306的多个通道3061、3062、3062，确定初始特征图的多个通道一一对应的权重3071、3072、3073。进而，根据初始特征图和初始特征图的多个通道一一对应的权重3071、3072、3073，得到通道3081、3082、3083，并结合通道3081、3082、3083得到最终特征图308。进而，服务器根据最终特征图308进行障碍物检测任务。
[0077]
本技术的上述实施例提供的方法，通过与初始特征图的多个通道一一对应的多个
卷积核，对初始特征图进行特征提取，得到中间特征图；根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重；根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图，从而提供了一种针对于特征图的处理方式，突出了最终特征图中不同通道的重要性，提高了特征图的表现力。
[0078]
继续参考图4，示出了根据本技术的特征图的处理方法的一个实施例的示意性流程400，对于深度学习模型中的每个特征提取模块，执行如下步骤：
[0079]
步骤401，对于深度学习模型中的每个特征提取模块，将该特征提取模块输出的特征图作为初始特征图。
[0080]
步骤402，通过预设尺寸的、与初始特征图的多个通道一一对应的多个卷积核，采用预设步长，对初始特征图进行特征提取，得到中间特征图。
[0081]
步骤403，对于中间特征图的多个通道中的每个通道，对该通道所表征的初始特征图的局部信息进行全局平均池化，得到该通道对应的全局信息。
[0082]
步骤404，对中间特征图的多个通道一一对应的多个全局信息进行归一化，得到初始特征图的多个通道一一对应的权重。
[0083]
步骤405，根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
[0084]
步骤406，将该特征提取模块输出的特征图所对应的最终特征图，作为深度学习模型中该特征提取模块的下一模块的输入。
[0085]
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的特征图的处理方法的流程400具体说明了将上述特征处理方法作为一个特征处理单元，应用于处理各种预设信息处理任务的深度学习模型，提高了深度学习模型的准确度。
[0086]
继续参考图5，作为对上述各图所示方法的实现，本技术提供了一种特征图的处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0087]
如图5所示，特征图的处理装置包括：提取单元501，被配置成通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图；第一确定单元502，被配置成根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重；得到单元503，被配置成根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
[0088]
在一些实施例中，第一确定单元502，进一步被配置成：对于中间特征图的多个通道中的每个通道，根据该通道所表征的初始特征图的局部信息，得到该通道对应的全局信息；对中间特征图的多个通道一一对应的多个全局信息进行归一化，得到初始特征图的多个通道一一对应的权重。
[0089]
在一些实施例中，第一确定单元502，进一步被配置成：对于中间特征图的多个通道中的每个通道，对该通道所表征的初始特征图的局部信息进行全局平均池化，得到该通道对应的全局信息。
[0090]
在一些实施例中，提取单元501，进一步被配置成：通过预设尺寸的、与初始特征图的多个通道一一对应的多个卷积核，采用预设步长，对初始特征图进行特征提取，得到中间特征图。
[0091]
在一些实施例中，得到单元503，进一步被配置成：对于初始特征中的每个通道，将该通道以及对应于该通道的权重相乘，得到对应于该通道的、最终特征图中的通道，以得到最终特征图。
[0092]
在一些实施例中，初始特征图由对自动驾驶车辆的图像采集装置采集到的待检测图像进行特征提取得到。
[0093]
在一些实施例中，上述装置还包括：第二确定单元(图中未示出)，被配置成对于深度学习模型中的每个特征提取模块，将该特征提取模块输出的特征图作为初始特征图；第三确定单元(图中未示出)，被配置成将该特征提取模块输出的特征图所对应的最终特征图，作为深度学习模型中该特征提取模块的下一模块的输入。
[0094]
在一些实施例中，上述装置还包括：处理单元(图中未示出)，被配置成基于所获取的待处理图像，通过深度学习模型执行预设信息处理任务。
[0095]
本实施例中，特征图的处理装置中的提取单元通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图；第一确定单元根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重；得到单元根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图，从而提供了一种针对于特征图的处理方式，突出了最终特征图中不同通道的重要性，提高了特征图的表现力。
[0096]
下面参考图6，其示出了适于用来实现本技术实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0097]
如图6所示，计算机系统600包括处理器(例如cpu，中央处理器)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。处理器601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0098]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0099]
特别地，根据本技术的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本技术的方法中限定的上述功能。
[0100]
需要说明的是，本技术的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携
式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0101]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0102]
附图中的流程图和框图，图示了按照本技术各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0103]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括提取单元、第一确定单元和得到单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，得到单元还可以被描述为“根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图的单元”。
[0104]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：通过与初始特征图的多个通道一一对应的多个卷积核，对初始特征图进行特征提取，得到中间特征图；根据中间特征图的多个通道，确定初始特征图的多个通道一一对应的权重；根据初始特征图和初始特征图的多个通道一一对应的权重，得到最终特征图。
[0105]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。