特征上下文感知的池化方法、装置、计算机设备和介质制造方法及图纸

本发明专利技术涉及深度学习领域，应用于可处理金融票据图像、医学影像等的神经网络模型。本发明专利技术公开了一种特征上下文感知的池化方法，应用于神经网络模型，包括：获得所述神经网络模型中的卷积层计算得出的特征向量矩阵；将所述特征向量矩阵进行第一池化计算得到第一池化值，同时对所述特征向量矩阵进行第二池化计算得到第二池化值；对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值；将所述第一加权池化值和所述第二加权池化值进行拼接，得到池化后的特征向量矩阵。量矩阵。量矩阵。

【技术实现步骤摘要】
特征上下文感知的池化方法、装置、计算机设备和介质


[0001]本专利技术涉及到机器学习领域，具体而言，涉及到一种特征上下文感知的池化方法、装置、计算机设备和介质。

技术介绍

[0002]神经网络模型(Convolutional Neural Network，CNN)是一种前馈神经网络，擅长处理图像特别是大图像的相关机器学习问题。具体地，神经网络模型可以应用于金融票据图像、医学影像等的处理。神经网络模型包含了一个由卷积层(Convolutional Layer)和池化层(Pooling Layer)构成的特征抽取器，其中，卷积层用于对输入的图像进行特征提取，得到特征图序列；池化层则用于对卷积层输出的每一帧特征图进行降维处理。
[0003]理论上来说，网络可以在不对原始输入图像执行降采样的操作，通过堆叠多个的卷积层来构建深度神经网络，如此一来便可以在保留更多空间细节信息的同时提取到更具有判别力的抽象特征。然而，考虑到计算机的算力瓶颈，通常都会引入池化层，来进一步地降低网络整体的计算代价，这是引入池化层最根本的目的。
[0004]现在常用的几种池化方法有最大池化方法、平均池化方法、全局池化方法等，这些方法在神经网络模型训练过程中，需要手动设置池化过程，在不停地变换和尝试之后才能获得最优的结果。

技术实现思路

[0005]本专利技术的主要目的为提供一种特征上下文感知的池化方法、装置、计算机设备和介质，旨在解决需要手动设置池化过程的技术问题。
[0006]本专利技术公开了以下技术方案：<br/>[0007]一种特征上下文感知的池化方法，包括：
[0008]获得预设神经网络模型中的卷积层计算得出的特征向量矩阵；
[0009]将所述特征向量矩阵进行第一池化计算得到第一池化值，同时对所述特征向量矩阵进行第二池化计算得到第二池化值；
[0010]对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值；
[0011]将所述第一加权池化值和所述第二加权池化值进行拼接，得到池化后的特征向量矩阵。
[0012]进一步地，所述将所述特征向量矩阵进行第一池化计算得到第一池化值的步骤，包括：
[0013]将所述特征向量矩阵的每一列数据按照从大到小的顺序进行排序，得到排序后的特征向量矩阵；
[0014]将排序后的所述特征向量矩阵输入所述预设神经网络模型的全连接层，得到排序后的所述特征向量矩阵的每一列数据的权重值；
[0015]将排序后的所述特征向量矩阵的每一列数据与其对应的权重值相乘，得到加权后的特征向量矩阵；
[0016]将加权后的所述特征向量矩阵的每一列数据进行相加，得到第一池化值。
[0017]进一步地，所述对所述特征向量矩阵进行第二池化计算得到第二池化值的步骤，包括：
[0018]基于softmax函数计算所述特征向量矩阵中每个特征向量的得分；
[0019]将所述特征向量矩阵中每个特征向量与对应的所述得分相乘，得到乘法计算后的特征向量矩阵；
[0020]将乘法计算后的所述特征向量矩阵的每一列数据进行相加，得到第二池化值。
[0021]进一步地，所述对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值的步骤，包括：
[0022]接收输入的第一权重值和第二权重值；
[0023]将所述第一池化值乘以所述第一权重值得到所述第一加权池化值，将所述第二池化值乘以所述第二权重值得到所述第二加权池化值。
[0024]进一步地，所述对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值的步骤，包括：
[0025]将所述第一池化值和所述第二池化值输入所述预设神经网络模型的全连接层，得到所述第一池化值和所述第二池化值对应的权重值；
[0026]将所述第一池化值和所述第二池化值分别乘以对应的权重值，得到所述第一加权池化值和所述第二加权池化值。
[0027]进一步地，所述获得所述神经网络模型中的卷积层计算得出的特征向量矩阵的步骤之前，包括：
[0028]获取目标图像；
[0029]将所述目标图像进行预处理，得到预处理后的目标图像矩阵；
[0030]将所述预处理后的目标图像矩阵输入所述预设神经网络模型。
[0031]本专利技术还提供一种特征上下文感知的池化装置，包括：
[0032]获取模块，用于获得所述神经网络模型中的卷积层计算得出的特征向量矩阵；
[0033]池化计算模块，用于将预设特征向量矩阵进行第一池化计算得到第一池化值，同时对所述特征向量矩阵进行第二池化计算得到第二池化值；
[0034]加权计算模块，用于对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值；
[0035]拼接模块，用于将所述第一加权池化值和所述第二加权池化值进行拼接，得到池化后的特征向量矩阵。
[0036]进一步地，所述池化计算模块，包括：
[0037]排序单元，用于将所述特征向量矩阵的每一列数据按照从大到小的顺序进行排序，得到排序后的特征向量矩阵；
[0038]权重计算单元，用于将排序后的所述特征向量矩阵输入所述预设神经网络模型的全连接层，得到排序后的所述特征向量矩阵的每一列数据的权重值；
[0039]乘法计算单元，用于将排序后的所述特征向量矩阵的每一列数据与其对应的权重
值相乘，得到加权后的特征向量矩阵；
[0040]第一池化值计算单元，用于将加权后的所述特征向量矩阵的每一列数据进行相加，得到第一池化值。
[0041]进一步地，所述池化计算模块，包括：
[0042]得分计算单元，用于基于softmax函数计算所述特征向量矩阵中每个特征向量的得分；
[0043]得分相乘单元，用于将所述特征向量矩阵中每个特征向量与对应的所述得分相乘，得到乘法计算后的特征向量矩阵；
[0044]第二池化值计算单元，用于将乘法计算后的所述特征向量矩阵的每一列数据进行相加，得到第二池化值。
[0045]进一步地，加权计算模块，包括：
[0046]接收单元，用于接收输入的第一权重值和第二权重值；
[0047]第一计算单元，用于将所述第一池化值乘以所述第一权重值得到所述第一加权池化值，将所述第二池化值乘以所述第二权重值得到所述第二加权池化值。
[0048]进一步地，加权计算模块，包括：
[0049]全连接层输入单元，用于将所述第一池化值和所述第二池化值输入所述预设神经网络模型的全连接层，得到所述第一池化值和所述第二池化值对应的权重值；
[0050]第二计算单元，用于将所述第一池化值和所述第二池化值分别乘以对应的权重值，得到所述第一加权池化值和所述第二加权池化值。
[0051]进一步地，获取单元，包括：
[0052]目标图像获取单元，用于获取目标图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征上下文感知的池化方法，其特征在于，包括：获得预设神经网络模型中的卷积层计算得出的特征向量矩阵；将所述特征向量矩阵进行第一池化计算得到第一池化值，同时对所述特征向量矩阵进行第二池化计算得到第二池化值；对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值；将所述第一加权池化值和所述第二加权池化值进行拼接，得到池化后的特征向量矩阵。2.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述将所述特征向量矩阵进行第一池化计算得到第一池化值的步骤，包括：将所述特征向量矩阵的每一列数据按照从大到小的顺序进行排序，得到排序后的特征向量矩阵；将排序后的所述特征向量矩阵输入所述预设神经网络模型的全连接层，得到排序后的所述特征向量矩阵的每一列数据的权重值；将排序后的所述特征向量矩阵的每一列数据与其对应的权重值相乘，得到加权后的特征向量矩阵；将加权后的所述特征向量矩阵的每一列数据进行相加，得到第一池化值。3.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述对所述特征向量矩阵进行第二池化计算得到第二池化值的步骤，包括：基于softmax函数计算所述特征向量矩阵中每个特征向量的得分；将所述特征向量矩阵中每个特征向量与对应的所述得分相乘，得到乘法计算后的特征向量矩阵；将乘法计算后的所述特征向量矩阵的每一列数据进行相加，得到第二池化值。4.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值的步骤，包括：接收输入的第一权重值和第二权重值；将所述第一池化值乘以所述第一权重值得到所述第一加权池化值，将所述第二池化值乘以所述第二权重值得到所述第二加权池化值。5.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值的步骤，包括：将所述第一池化值和所述第二池化...

【专利技术属性】
技术研发人员：舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：