图像特征提取方法及装置、计算机设备和可读存储介质制造方法及图纸

本申请提供一种图像特征提取方法及装置、计算机设备和可读存储介质，涉及卷积神经网络技术领域。本申请在获取到特征提取卷积神经网络的目标卷积核的待处理特征图后，会按照预设图像尺寸将由该待处理特征图经图像预处理得到的输入特征图切割为多个输入特征子图，并对每个输入特征子图进行边界填充，得到待卷积特征子图，而后针对每个待卷积特征子图，通过Karatsuba算法消减目标卷积核与该待卷积特征子图的卷积运算时的乘法器资源损耗，并有效抑制卷积运算时的加法器资源损耗的增长，得到目标特征子图，接着将多个目标特征子图进行边界叠加及边界环切，得到输出特征图，从而从整体上降低特征提取时的计算资源损耗，提升特征提取效率。取效率。取效率。

【技术实现步骤摘要】
图像特征提取方法及装置、计算机设备和可读存储介质


[0001]本申请涉及卷积神经网络
，具体而言，涉及一种图像特征提取方法及装置、计算机设备和可读存储介质。

技术介绍

[0002]随着科学技术的不断发展，机器学习技术在各大行业的应用越发广阔，作为近年来深度学习研究和应用领域中最活跃的一个分支——卷积神经网络技术，更是随着人工智能技术的不断推进被人们注入了更多的关注度，人们对于卷积神经网络技术的具体应用提出了更多的诉求，例如要求卷积神经网络在实际应用(例如，人脸特征提取、图像特征处理等操作)时具有更小的计算资源损耗以及更高的计算速率。

技术实现思路

[0003]有鉴于此，本申请的目的在于提供一种图像特征提取方法及装置、计算机设备和可读存储介质，能够降低特征提取时的计算资源损耗，并提升特征提取效率。
[0004]为了实现上述目的，本申请实施例采用的技术方案如下：
[0005]第一方面，本申请提供一种图像特征提取方法，所述方法包括：
[0006]获取针对特征提取卷积神经网络的目标卷积核的待处理特征图；
[0007]根据预设图像尺寸对所述待处理特征图进行图像预处理，得到对应的输入特征图，其中所述输入特征图的图像尺寸为所述预设图像尺寸的整数倍；
[0008]按照所述预设图像尺寸将所述输入特征图切割为多个输入特征子图；
[0009]针对每个所述输入特征子图，根据所述目标卷积核的卷积核尺寸对该输入特征子图进行边界填充，得到对应的待卷积特征子图；
[0010]针对每个所述待卷积特征子图，基于Karatsuba算法采用所述目标卷积核对该待卷积特征子图进行卷积运算，得到对应的目标特征子图；
[0011]针对得到的多个所述目标特征子图，根据所述输入特征图中各个所述输入特征子图的分布状况，将对应位置相邻的所述目标特征子图进行边界叠加，得到重叠特征图；
[0012]根据所述目标卷积核的卷积核尺寸对所述重叠特征图进行边界环切，得到对应的输出特征图，其中所述输出特征图用于表示与所述待处理特征图匹配的所述输入特征图的特征提取结果。
[0013]在可选的实施方式中，所述针对每个所述输入特征子图，根据所述目标卷积核的卷积核尺寸对该输入特征子图进行边界填充，得到对应的待卷积特征子图的步骤，包括：
[0014]根据所述目标卷积核的卷积核尺寸，计算单个输入特征子图所需空白元素环的第一目标数目，其中所述第一目标数目由所述卷积核尺寸所对应的行/列数减一得到；
[0015]针对每个所述输入特征子图，以该输入特征子图为中心在该输入特征子图周围外扩地依次填充第一目标数目个空白元素环，得到对应的待卷积特征子图。
[0016]在可选的实施方式中，所述针对每个所述待卷积特征子图，基于Karatsuba算法采
用所述目标卷积核对该待卷积特征子图进行卷积运算，得到对应的目标特征子图的步骤，包括：
[0017]针对每个所述待卷积特征子图，根据对应的输入特征子图中不同分布位置的特征元素值，基于Karatsuba算法构建该输入特征子图的行列特征表达式；
[0018]针对所述目标卷积核，根据该目标卷积核中不同分布位置的卷积元素值，基于Karatsuba算法构建该目标卷积核的行列特征表达式；
[0019]针对每个所述待卷积特征子图，基于Karatsuba算法将对应输入特征子图的行列特征表达式与所述目标卷积核的行列特征表达式的乘法运算过程进行拆分换算，得到对应的拆分换算结果；
[0020]针对每个所述待卷积特征子图，将对应的拆分换算结果基于与目标卷积核对应的预设卷积映射分布状况进行元素表达，得到对应的目标特征子图。
[0021]在可选的实施方式中，所述根据所述输入特征图中各个所述输入特征子图的分布状况，将对应位置相邻的所述目标特征子图进行边界叠加，得到重叠特征图的步骤，包括：
[0022]根据所述目标卷积核的卷积核尺寸，确定单个目标特征子图的待叠加元素环的第二目标数目，其中所述第二目标数目由所述卷积核尺寸所对应的行/列数减一得到；
[0023]针对每个目标特征子图，由外往内地选取该目标特征子图的第二目标数目个子图元素环作为待叠加元素环，得到该目标特征子图的待叠加区域；
[0024]按照所述输入特征图中各个所述输入特征子图的分布状况，对各目标特征子图进行图像拼接，得到对应的图像拼接结果；
[0025]在所述图像拼接结果中将位置相邻的待叠加区域各自的接触边缘区域进行元素叠加，得到所述重叠特征图。
[0026]在可选的实施方式中，所述根据所述目标卷积核的卷积核尺寸对所述重叠特征图进行边界环切，得到对应的输出特征图的步骤，包括：
[0027]根据所述目标卷积核的卷积核尺寸，确定所述重叠特征图的待切除元素环的第三目标数目，其中所述第三目标数目由所述卷积核尺寸所对应的行/列数减一得到；
[0028]由外往内地选取该重叠特征图的第三目标数目个特征图元素环作为待切除元素环，得到该重叠特征图的待切除区域；
[0029]对该重叠特征图中的待切除区域进行图像切除，得到与所述输入特征图对应的所述输出特征图。
[0030]在可选的实施方式中，所述方法还包括：
[0031]根据所述目标卷积核的卷积核尺寸对所述预设图像尺寸进行配置，其中所述预设图像尺寸所对应的行数大于或等于所述卷积核尺寸所对应的行数，所述预设图像尺寸所对应的列数大于或等于所述卷积核尺寸所对应的列数。
[0032]第二方面，本申请提供一种图像特征提取装置，所述装置包括：
[0033]特征图获取模块，用于获取针对特征提取卷积神经网络的目标卷积核的待处理特征图；
[0034]特征图预处理模块，用于根据预设图像尺寸对所述待处理特征图进行图像预处理，得到对应的输入特征图，其中所述输入特征图的图像尺寸为所述预设图像尺寸的整数倍；
[0035]输入特征切割模块，用于按照预设图像尺寸将所述输入特征图切割为多个输入特征子图，其中每个所述输入特征子图的图像尺寸与所述预设图像尺寸保持一致；
[0036]子图边界填充模块，用于针对每个所述输入特征子图，根据所述目标卷积核的卷积核尺寸对该输入特征子图进行边界填充，得到对应的待卷积特征子图；
[0037]特征卷积运算模块，用于针对每个所述待卷积特征子图，基于Karatsuba算法采用所述目标卷积核对该待卷积特征子图进行卷积运算，得到对应的目标特征子图；
[0038]子图边界叠加模块，用于针对得到的多个所述目标特征子图，根据所述输入特征图中各个所述输入特征子图的分布状况，将对应位置相邻的所述目标特征子图进行边界叠加，得到重叠特征图；
[0039]输出特征提取模块，用于根据所述目标卷积核的卷积核尺寸对所述重叠特征图进行边界环切，得到对应的输出特征图，其中所述输出特征图用于表示与所述待处理特征图匹配的所述输入特征图的特征提取结果。
[0040]在可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征提取方法，其特征在于，所述方法包括：获取针对特征提取卷积神经网络的目标卷积核的待处理特征图；根据预设图像尺寸对所述待处理特征图进行图像预处理，得到对应的输入特征图，其中所述输入特征图的图像尺寸为所述预设图像尺寸的整数倍；按照所述预设图像尺寸将所述输入特征图切割为多个输入特征子图，其中每个所述输入特征子图的图像尺寸与所述预设图像尺寸保持一致；针对每个所述输入特征子图，根据所述目标卷积核的卷积核尺寸对该输入特征子图进行边界填充，得到对应的待卷积特征子图；针对每个所述待卷积特征子图，基于Karatsuba算法采用所述目标卷积核对该待卷积特征子图进行卷积运算，得到对应的目标特征子图；针对得到的多个所述目标特征子图，根据所述输入特征图中各个所述输入特征子图的分布状况，将对应位置相邻的所述目标特征子图进行边界叠加，得到重叠特征图；根据所述目标卷积核的卷积核尺寸对所述重叠特征图进行边界环切，得到对应的输出特征图，其中所述输出特征图用于表示与所述待处理特征图匹配的所述输入特征图的特征提取结果。2.根据权利要求1所述的方法，其特征在于，所述针对每个所述输入特征子图，根据所述目标卷积核的卷积核尺寸对该输入特征子图进行边界填充，得到对应的待卷积特征子图的步骤，包括：根据所述目标卷积核的卷积核尺寸，计算单个输入特征子图所需空白元素环的第一目标数目，其中所述第一目标数目由所述卷积核尺寸所对应的行/列数减一得到；针对每个所述输入特征子图，以该输入特征子图为中心在该输入特征子图周围外扩地依次填充第一目标数目个空白元素环，得到对应的待卷积特征子图。3.根据权利要求1所述的方法，其特征在于，所述针对每个所述待卷积特征子图，基于Karatsuba算法采用所述目标卷积核对该待卷积特征子图进行卷积运算，得到对应的目标特征子图的步骤，包括：针对每个所述待卷积特征子图，根据对应的输入特征子图中不同分布位置的特征元素值，基于Karatsuba算法构建该输入特征子图的行列特征表达式；针对所述目标卷积核，根据该目标卷积核中不同分布位置的卷积元素值，基于Karatsuba算法构建该目标卷积核的行列特征表达式；针对每个所述待卷积特征子图，基于Karatsuba算法将对应输入特征子图的行列特征表达式与所述目标卷积核的行列特征表达式的乘法运算过程进行拆分换算，得到对应的拆分换算结果；针对每个所述待卷积特征子图，将对应的拆分换算结果基于与目标卷积核对应的预设卷积映射分布状况进行元素表达，得到对应的目标特征子图。4.根据权利要求1所述的方法，其特征在于，所述根据所述输入特征图中各个所述输入特征子图的分布状况，将对应位置相邻的所述目标特征子图进行边界叠加，得到重叠特征图的步骤，包括：根据所述目标卷积核的卷积核尺寸，确定单个目标特征子图的待叠加元素环的第二目标数目，其中所述第二目标数目由所述卷积核尺寸所对应的行/列数减一得到；
针对每个目标特征子图，由外往内地选取该目标特征子图的第二目标数目个子图元素环作为待叠加元素环，得到该目标特征子图的待叠加区域；按照所述输入特征图中各个所述输入特征子图的分布状况，对各目标特征子图进行...

【专利技术属性】
技术研发人员：叶涛，王圻，朱江瀚，王世航，王星博，何灿，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：