图像特征量化方法、系统、设备及存储介质技术方案

本发明专利技术提供了一种图像特征量化方法、系统、设备及存储介质，该方法包括：将待处理图像输入特征提取网络，得到特征图；采用滑动窗口提取所述特征图中不同位置的多个局部特征；根据所述特征图中的多个局部特征获取指定维度的连续特征向量；基于所述连续特征向量得到各个局部特征的量化编码；将所述各个局部特征的量化编码进行拼接得到所述待处理图像的目标特征。本发明专利技术通过滑动窗口方式获取并优化局部细节特征，能缓解均匀切分的潜在风险。能缓解均匀切分的潜在风险。能缓解均匀切分的潜在风险。

【技术实现步骤摘要】
图像特征量化方法、系统、设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种图像特征量化方法、系统、设备及存储介质。

技术介绍

[0002]图像特征量化指的是提取输入图像的特征，将图像数据以其特征编码进行表达，得到图像的量化特征编码之后，可以将此特征编码应用于后续的相关推理任务，例如图像中目标检测、图像分类识别等。
[0003]现有的一种图像特征量化方法是对样本的深度特征进行水平分块，再对各分块特征进行分类损失函数的监督，以此优化局部特征的表达。然而这种方法存在的潜在风险是均匀的水平分块可能会将同属性/结构的目标切分成不同部分。
[0004]现有的另一种图像特征量化方法是采用有效的深度哈希编码方法。然而，这类二值哈希编码方法对特征的加工容易造成较大的信息损失。然而，目标不同部位的特征对表征的贡献程度不尽相同，更具鉴别力的部位应具备更高的响应值，而二值哈希实则弱化了这类信息的表达(对一定程度范围内的响应均变为0或1)。

技术实现思路

[0005]针对现有技术中的问题，本专利技术的目的在于提供一种图像特征量化方法、系统、设备及存储介质，通过滑动窗口方式获取并优化局部细节特征，能缓解均匀切分的潜在风险。
[0006]本专利技术实施例提供一种图像特征量化方法，包括如下步骤：
[0007]S100：将待处理图像输入特征提取网络，得到特征图；
[0008]S200：采用滑动窗口提取所述特征图中不同位置的多个局部特征；
[0009]S300：根据所述特征图中的多个局部特征获取指定维度的连续特征向量；
[0010]S400：基于所述连续特征向量得到各个局部特征的量化编码；
[0011]S500：将所述各个局部特征的量化编码进行拼接得到所述待处理图像的目标特征。
[0012]在一些实施例中，所述特征提取网络为深度学习神经网络，所述特征图为深度特征图。
[0013]在一些实施例中，所述步骤S200和步骤S300之间，还包括如下步骤：
[0014]将所述局部特征采用全局均值池化层获取各个局部特征的特征向量。
[0015]在一些实施例中，所述步骤S300包括如下步骤：
[0016]将所述特征图中的多个局部特征的特征向量分别输入指定维度的全连接层；
[0017]将所述全连接层的输出特征分别进行非线性变换，得到各个局部特征所对应的指定维度的连续特征向量。
[0018]在一些实施例中，将所述全连接层的输出特征进行非线性变换，包括：将所述全连接层的输出特征采用ReLU函数进行非线性变换。
[0019]在一些实施例中，所述步骤S400包括如下步骤：
[0020]将所述连续特征向量中的浮点型特征转化为整形编码，得到各个局部特征的量化编码。
[0021]在一些实施例中，采用iReLU函数将所述连续特征向量中的浮点型特征转化为整形编码：
[0022][0023]其中，将所述连续特征向量中的特征作为iReLU函数中的变量x，得到的iReLU(x)为输出的整形编码。
[0024]在一些实施例中，所述步骤S400和步骤S500之间，还包括如下步骤：
[0025]基于各个局部特征的连续特征向量和量化编码计算损失值；
[0026]基于所述损失值进行反向迭代优化量化编码网络，所述量化编码网络包括实现所述步骤S100～S400的网络。
[0027]在一些实施例中，所述基于各个局部特征的连续特征向量和量化编码计算损失值，包括如下步骤：
[0028]将所述各个局部特征的连续特征向量输入分类层进行多标签预测，计算交叉熵损失函数值；
[0029]采用L2损失函数，基于各个局部特征的连续特征向量和量化编码计算L2损失函数值；
[0030]设定所述L2损失函数值的惩罚权重值；
[0031]将所述L2损失函数值与所述惩罚权重值相乘后，与所述交叉熵损失函数值相加，得到总损失值。
[0032]在一些实施例中，根据如下公式计算所述惩罚权重值：
[0033][0034]其中，α(t)为第t轮迭代时的惩罚权重值，T1为迭代轮次起始点，T2为迭代轮次停止点，α
f
为预设的稳定权重值。
[0035]本专利技术实施例还提供一种图像特征量化系统，用于实现所述的图像特征量化方法，所述系统包括：
[0036]特征图获取模块，用于将待处理图像输入特征提取网络，得到特征图；
[0037]局部特征获取模块，用于采用滑动窗口提取所述特征图中不同位置的多个局部特征；
[0038]连续特征获取模块，用于根据所述特征图中的多个局部特征获取指定维度的连续特征向量；
[0039]量化编码获取模块，用于基于所述连续特征向量得到各个局部特征的量化编码；
[0040]目标特征获取模块，用于将所述各个局部特征的量化编码进行拼接得到所述待处理图像的目标特征。
[0041]本专利技术实施例还提供一种图像特征量化设备，包括：
[0042]处理器；
[0043]存储器，其中存储有所述处理器的可执行指令；
[0044]其中，所述处理器配置为经由执行所述可执行指令来执行所述的图像特征量化方法的步骤。
[0045]本专利技术实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的图像特征量化方法的步骤。
[0046]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
[0047]本专利技术的图像特征量化方法、系统、设备及存储介质具有如下有益效果：
[0048]本专利技术通过滑动窗口方式获取并优化局部细节特征，能缓解均匀切分的潜在风险。在一些实施例中，通过iRelu函数将连续特征向量中的浮点型特征转化为整形编码，保留目标有效特征的不同响应大小和抑制无关信息表达，再优化量化过程中的信息损失，从而通过监督局部细节特征的表达来强化量化编码的表征能力，得到更能准确表达图像信息的量化后特征。
附图说明
[0049]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显。
[0050]图1是本专利技术一实施例的图像特征量化方法的流程图；
[0051]图2是本专利技术一实施例的图像特征量化的网络结构图；
[0052]图3是本专利技术一实施例的计算损失值的流程图；
[0053]图4是本专利技术一实施例的图像特征量化系统的结构示意图；
[0054]图5是本专利技术一实施例的图像特征量化设备的结构示意图；
[0055]图6是本专利技术一实施例的计算机可读存储介质的结构示意图。
具体实施方式
[0056]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征量化方法，其特征在于，包括如下步骤：S100：将待处理图像输入特征提取网络，得到特征图；S200：采用滑动窗口提取所述特征图中不同位置的多个局部特征；S300：根据所述特征图中的多个局部特征获取指定维度的连续特征向量；S400：基于所述连续特征向量得到各个局部特征的量化编码；S500：将所述各个局部特征的量化编码进行拼接得到所述待处理图像的目标特征。2.根据权利要求1所述的图像特征量化方法，其特征在于，所述特征提取网络为深度学习神经网络，所述特征图为深度特征图。3.根据权利要求1所述的图像特征量化方法，其特征在于，所述步骤S200和步骤S300之间，还包括如下步骤：将所述局部特征采用全局均值池化层获取各个局部特征的特征向量。4.根据权利要求3所述的图像特征量化方法，其特征在于，所述步骤S300包括如下步骤：将所述特征图中的多个局部特征的特征向量分别输入指定维度的全连接层；将所述全连接层的输出特征分别进行非线性变换，得到各个局部特征所对应的指定维度的连续特征向量。5.根据权利要求4所述的图像特征量化方法，其特征在于，将所述全连接层的输出特征进行非线性变换，包括：将所述全连接层的输出特征采用ReLU函数进行非线性变换。6.根据权利要求1所述的图像特征量化方法，其特征在于，所述步骤S400包括如下步骤：将所述连续特征向量中的浮点型特征转化为整形编码，得到各个局部特征的量化编码。7.根据权利要求6所述的图像特征量化方法，其特征在于，采用iReLU函数将所述连续特征向量中的浮点型特征转化为整形编码：其中，将所述连续特征向量中的特征作为iReLU函数中的变量x，得到的iReLU(x)为输出的整形编码。8.根据权利要求1所述的图像特征量化方法，其特征在于，所述步骤S400和步骤S500之间，还包括如下步骤：基于各个局部特征的连续特征向量和量化编码计算损失...

【专利技术属性】
技术研发人员：吕心铋，罗超，梁贤朋，邹宇，
申请(专利权)人：携程旅游信息技术上海有限公司，
类型：发明
国别省市：