一种局部增强型空洞卷积多尺度特征提取方法及系统

本发明涉及计算机视觉，尤其涉及一种局部增强型空洞卷积多尺度特征提取方法及系统。

背景技术：

1、随着人工智能技术的快速发展，其已成为新一轮产业升级的驱动力，驱使各类产业在自动化、数字化和智能化发展方面具备泛在智能的特性。在此背景下，卷积神经网络作为人工智能技术领域中的一种，已成为当前语音分析、图像分类、图像分割领域的研究热点，且相应技术得到飞速发展。为使得卷积神经网络支持所建立的网络模型具有大感受野，精度更高的技术优势，卷积神经网络开始普遍采用大核卷积搭建骨干网络架构，以解决普通卷积神经网络因增加卷积核尺寸引起的参数过快增长问题，方便训练网络，降低网络过拟合风险，提升网络效率和性能。卷积神经网络采用大核卷积方式时，将使得总体参数量显得减少。此外，从物理上增加卷积核尺寸，容易造成模型精度瓶颈，不得不采用更加复杂的方法解决上述问题，但也对卷积核方便快捷的应用特性造成破坏。为此，寻找一种方法可以在不增加网络参数和计算复杂度的前提下提升网络模型大感受野。空洞卷积独特的特性受到研究者青睐。

2、空洞卷积可以在不增加参数和计算复杂度的前提下，通过在卷积核中插入空洞的方式获取大感受野，从而满足对于网络全局提取语义的需求。然而空洞卷积类似棋盘格式的计算方式使得每一层卷积结果相对独立，导致该层卷积结果间缺少相关性；同时，卷积核中插入空洞的空洞卷积稀疏方式采样输入信号时，造成远距离卷积所得信息缺少关联性，降低分类结果精度，限制了空洞卷积方法的适用性范围。

技术实现思路

1、为此，本发明实施例提供了一种局部增强型空洞卷积多尺度特征提取方法及系统，用于解决现有技术中空洞卷积下信息关联度低及传统空洞卷积提取特征信息时出现单一空洞率，导致目标分类能力下降的问题。

2、为了解决上述问题，本发明实施例提供一种局部增强型空洞卷积多尺度特征提取方法，所述方法包括：

3、s1：采集图像数据，对采集的图像数据进行处理，获得特征图，并对获得的特征图进行随机缩放、翻转和旋转；

4、s2：获取目标图像的浅层特征信息，并作分组处理；

5、s3：将卷积网络卷积核按照混合膨胀卷积设计准则设置膨胀系数；

6、s4：基于膨胀系数，构建卷积神经网络架构，所述卷积神经网络架构包括一个空洞卷积模块或者两个以上级联的空洞卷积模块，其中每个空洞卷积模块包括空洞卷积层、池化层、全连接层和softmax层；

7、s5：对空洞卷积层采用全数据分组填充方式，随机选取若干被处理过后特征图，并采用步骤s3中膨胀系数对特征图进行膨胀，根据被选定进行空洞卷积的特征图膨胀情况，对每一个点位的周围填充区域进行填充，直至填充完全，将填充结果与设定的卷积核进行点乘，以得到目标特征值，并对所得到的特征图进行池化操作；

8、s6：处理空洞卷积外部分，按照正常卷积神经网络执行，将所得结果与真实的平均主观得分差做均方差计算，并以此定义损失函数进行迭代训练，建立模型。

9、优选地，在步骤s2中，获取目标图像的浅层特征信息，并作分组处理的方法为：

10、将所获取的n*n特征图中目标图像浅层特征信息按点位分组，按照分组规则将各点位目标图像浅层特征信息分为共n*n组。

11、优选地，所述分组规则表征为：对所获取的所有n*n特征图，将其中第x行第y列的点位上的目标图像浅层特征信息分为一组(1≤x≤n，1≤y≤n)。

12、优选地，在步骤s4中，在每个空洞卷积模块中，所述空洞卷积层用于确定卷积核大小；所述池化层用于对从空洞卷积层传输的特征映射进行二次采样，且采用最大池化层；所述全连接层用于将多维向量的铺平送到输出层，全连接层的每一个结点都与上一层的所有结点相连，用来把所提取到的特征综合起来；所述softmax层用于对网络归一化处理。

13、优选地，所述归一化处理公式为：

14、

15、式中，xi表示图像像素点值，max(x)，min(x)分别表示图像像素的最大值，最小值。

16、优选地，在步骤s5中，对每一个点位的周围填充区域进行填充，直至填充完全的方法具体包括：

17、各自点位填充的内容选自各自点位对应小组，小组内选取数据完全随机；当点位填充出现重复操作时取所有重复填充数据的平均值。

18、优选地，在步骤s6中，损失函数定义为：

19、

20、式中，m表示进行卷积的特征图数量，y(i)为特征图的测量值，为特征图的真实值，l1()表示损失函数。

21、本发明实施例还提供了一种局部增强型空洞卷积多尺度特征提取系统，所述系统用于实现上述所述的局部增强型空洞卷积多尺度特征提取方法，具体包括：

22、图像处理单元，用于采集图像数据，对采集的图像数据进行处理，获得特征图，并对获得的特征图进行随机缩放、翻转和旋转；

23、信息提取单元，用于获取目标图像的浅层特征信息，并作分组处理；

24、设置单元，用于将卷积网络卷积核按照混合膨胀卷积设计准则设置膨胀系数；

25、生成单元，基于膨胀系数，构建卷积神经网络架构，所述卷积神经网络架构包括一个空洞卷积模块或者两个以上级联的空洞卷积模块，其中每个空洞卷积模块包括空洞卷积层、池化层、全连接层和softmax层；

26、调整单元，用于对空洞卷积层采用全数据分组填充方式，随机选取若干被处理过后特征图，并采用设置单元中膨胀系数对特征图进行膨胀，根据被选定进行空洞卷积的特征图膨胀情况，对每一个点位的周围填充区域进行填充，直至填充完全，将填充结果与设定的卷积核进行点乘，以得到目标特征值，并对所得到的特征图进行池化操作；

27、迭代训练单元，用于处理空洞卷积外部分，按照正常卷积神经网络执行，将所得结果与真实的平均主观得分差做均方差计算，并以此定义损失函数进行迭代训练，建立模型。

28、本发明实施例还提供了一种电子装置，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的局部增强型空洞卷积多尺度特征提取方法。

29、本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的局部增强型空洞卷积多尺度特征提取方法。

30、从以上技术方案可以看出，本发明申请具有以下优点：

31、本发明实施例提供一种局部增强型空洞卷积多尺度特征提取方法及系统，通过采集图像数据，对采集的图像数据进行处理，获得特征图；获取目标图像的浅层特征信息，并作分组处理；将卷积网络卷积核按照混合膨胀卷积设计准则设置膨胀系数；基于膨胀系数，构建卷积神经网络架构，所述卷积神经网络架构包括一个空洞卷积模块或者两个以上级联的空洞卷积模块；对空洞卷积层采用全数据分组填充方式，使空洞卷积层输入与输出大小一致；进行迭代训练，建立模型。本发明方法与传统神经网络相比，可用于提取全局语义信息，且提升空洞率增加时的信息关联性，解决传统空洞卷积提取特征信息时出现单一空洞率问题。本发明改善了传统空洞卷积方式所造成的稀疏性，增强了局部空间的利用率，提高了分类结果准确性。