特征处理方法、计算机设备及存储介质技术

本申请公开了一种特征处理方法、计算机设备及存储介质。该方法包括：获取目标图像的原始特征；利用多个级联设置的特征处理模块依序对原始特征进行处理，得到每个特征处理模块对应的第一图像特征；每个特征处理模块包括多个基本块网络，每个基本块网络基于网络输入特征中频率不同的至少两个子图像特征进行卷积处理，输出得到第二图像特征，首个特征处理模块的首个基本块网络的网络输入特征为原始特征，特征处理模块的最后一个基本块网络输出的第二图像特征为特征处理模块对应的第一图像特征；利用特征融合模块对至少部分的特征处理模块对应的第一图像特征进行融合处理，得到目标图像的目标特征。上述方案，能减少特征处理过程的参数量和计算量。程的参数量和计算量。程的参数量和计算量。

【技术实现步骤摘要】
特征处理方法、计算机设备及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种特征处理方法、计算机设备及计算机可读存储介质。

技术介绍

[0002]随着图像处理技术的发展，对图像特征处理要求越来越高，图像特征处理被广泛应用于图像的显著性处理、图像识别、目标检测、目标追踪、和图像分割等方面。
[0003]现有技术中，通常利用特征处理模型对图像特征进行处理，由于提取的特征存在冗余，导致特征处理模型的参数量和计算量大，需要消耗大量的算力资源等问题。

技术实现思路

[0004]本申请主要解决的技术问题是提供一种特征处理方法、计算机设备及存储介质，能够减少特征处理过程的参数量和计算量。
[0005]为了解决上述问题，本申请第一方面提供了一种特征处理方法，该方法包括：获取目标图像的原始特征；利用多个级联设置的特征处理模块依序对原始特征进行处理，得到每个特征处理模块对应的第一图像特征；其中，每个特征处理模块包括多个基本块网络，每个基本块网络基于网络输入特征中频率不同的至少两个子图像特征进行卷积处理，输出得到第二图像特征，首个特征处理模块的首个基本块网络的网络输入特征为原始特征，特征处理模块的最后一个基本块网络输出的第二图像特征作为特征处理模块对应的第一图像特征；利用特征融合模块对至少部分的特征处理模块对应的第一图像特征进行融合处理，得到目标图像的目标特征。
[0006]为了解决上述问题，本申请第二方面提供了一种计算机设备，该计算机设备包括相互耦接的存储器和处理器，存储器中存储有程序数据，处理器用于执行程序数据以实现上述特征处理方法的任一步骤。
[0007]为了解决上述问题，本申请第三方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有能够被处理器运行的程序数据，程序数据用于实现上述特征处理方法的任一步骤。
[0008]上述方案，通过获取目标图像的原始特征，利用多个级联设置的特征处理模块依序对原始特征进行处理，得到每个特征处理模块对应的第一图像特征，由于每个特征处理模块的多个基本块网络基于网络输入特征中频率不同的至少两个子图像特征进行卷积处理，可以对不同频率的子图像特征分别进行卷积处理输出得到第二图像特征，可以减少冗余特征，既可以保留目标图像的原始图像信息，还可以降低模块的计算量，此外，利用特征融合模块对至少部分的特征处理模块对应的第一图像特征进行融合处理，得到目标图像的目标特征，可以进一步减少模型的计算量，能够综合减少特征处理过程的参数量和计算量，使得可以适应于嵌入式设备或移动设备的移植或使用等。
附图说明
[0009]为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要的附图作简单的介绍，显而易见地，下面描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
[0010]图1是本申请图像处理模型的一实施例的结构示意图；
[0011]图2是本申请特征处理方法第一实施例的流程示意图；
[0012]图3是本申请特征处理模块一实施例的结构示意图；
[0013]图4是本申请图2中步骤S12一实施例的流程示意图；
[0014]图5是本申请八度卷积核一实施例的结构示意图；
[0015]图6是本申请八度卷积核另一实施例的结构示意图；
[0016]图7是本申请基本块网络一实施例的结构示意图；
[0017]图8是本申请基本块网络另一实施例的结构示意图；
[0018]图9是本申请图2中步骤S13一实施例的流程示意图；
[0019]图10是本申请特征融合模块一实施例的结构示意图；
[0020]图11是本申请特征处理方法第二实施例的流程示意图；
[0021]图12是本申请图像处理模型另一实施例的结构示意图；
[0022]图13是本申请计算机设备一实施例的结构示意图；
[0023]图14是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0024]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0025]本申请中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0026]在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0027]本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任
意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
[0028]本申请提供以下实施例，下面对各实施例进行具体说明。
[0029]请参阅图1，图像处理模型100可以用于执行下述特征处理方法，其中，图像处理模型100可以包括输入模块101、多个级联设置的特征处理模块102和特征融合模块103。其中，输入模块101、多个级联设置的特征处理模块102和特征融合模块103依次连接。
[0030]其中，输入模块可以用于获取目标图像的原始特征。
[0031]多个级联设置的特征处理模块102可以用于利用多个级联设置的特征处理模块依序对原始特征进行处理，得到每个特征处理模块对应的第一图像特征。其中，每个特征处理模块包括多个基本块网络，每个基本块网络基于网络输入特征中频率不同的至少两个子图像特征进行卷积处理，输出得到第二图像特征，首个特征处理模块的首个基本块网络的网络输入特征为原始特征，特征处理模块的最后一个基本块网络输出的第二图像特征作为特征处理模块对应的第一图像特征。
[0032]特征融合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征处理方法，其特征在于，所述方法包括：获取目标图像的原始特征；利用多个级联设置的特征处理模块依序对所述原始特征进行处理，得到每个所述特征处理模块对应的第一图像特征；其中，每个所述特征处理模块包括多个基本块网络，每个所述基本块网络基于网络输入特征中频率不同的至少两个子图像特征进行卷积处理，输出得到第二图像特征，首个所述特征处理模块的首个基本块网络的网络输入特征为所述原始特征，所述特征处理模块的最后一个基本块网络输出的第二图像特征作为所述特征处理模块对应的第一图像特征；利用特征融合模块对至少部分的所述特征处理模块对应的第一图像特征进行融合处理，得到所述目标图像的目标特征。2.根据权利要求1所述的方法，其特征在于，每个所述特征处理模块包括级联设置的多个基本块网络，所述基本块网络包括八度卷积核；所述利用多个级联设置的特征处理模块依序对所述原始特征进行处理，得到每个所述特征处理模块对应的第一图像特征，包括：对于每个所述特征处理模块的每个基本块网络，利用所述八度卷积核对网络输入特征的所述至少两个子图像特征进行卷积得到八度卷积特征，利用所述八度卷积特征得到所述基本块网络输出的第二图像特征；其中，所述特征处理模块中的后一基本块网络的网络输入特征为前一基本块网络输出的第二图像特征；将所述特征处理模块最后一个所述基本块网络输出的第二图像特征，作为所述特征处理模块对应的第一图像特征。3.根据权利要求2所述的方法，其特征在于，所述至少两个子图像特征包括高频图像特征和低频图像特征，所述八度卷积核包括高频卷积核、高频至低频卷积核、低频卷积核和低频至高频卷积核；所述利用所述八度卷积核对网络输入特征的所述至少两个子图像特征进行卷积得到八度卷积特征，包括：利用所述高频卷积核对所述高频图像特征进行卷积，得到第一高频卷积特征；对所述低频图像特征进行上采样，并利用所述低频至高频卷积核对经所述上采样的低频图像特征进行卷积，得到第二高频卷积特征；利用所述低频卷积核对所述低频图像特征进行卷积，得到第一低频卷积特征；对所述高频图像特征进行下采样，并利用所述高频至低频卷积核对经所述下采样的高频图像特征进行卷积，得到第二低频卷积特征；由所述第一高频卷积特征和所述第二高频卷积特征，得到高频卷积特征，由所述第一低频卷积特征和所述第二低频卷积特征，得到低频卷积特征；将所述高频卷积特征和所述低频卷积特征作为所述八度卷积特征，或者，将所述高频卷积特征与所述低频卷积特征进行融合，得到所述八度卷积特征。4.根据权利要求2所述的方法，其特征在于，所述基本块网络包括依序连接的所述八度卷积核、深度可分离卷积核和第一空洞卷积核；所述利用所述八度卷积特征得到所述基本块网...

【专利技术属性】
技术研发人员：姜晓卫，孙伶君，张海玉，程淼，符哲蔚，丁乃英，刘东，刘明，邓志吉，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：