[发明专利]一种图像特征提取方法及装置

说明书

本发明公开了一种图像特征提取方法及装置，方法包括：S1.基于卷积神经网络和待检测的目标图像，生成初始特征图。S2.将初始特征图输入到初始模块中进一步学习高阶抽象的特征信息，得到增强特征图。S3.基于增强特征图，利用监督学习生成一个长宽和增强特征图一样的特征显著图。S4.对特征显著图进行归一化处理。S5.将初始特征图和归一化后的特征显著图相乘，得到净化特征图。本发明能抑制特征图中的噪声，突出目标信息，提升模型检测小目标的能力。

技术领域

本发明涉及机器视觉领域，特别涉及一种图像特征提取方法及装置。

背景技术

卷积神经网络引入目标检测领域之后，机器对图像目标的识别能力有了极大的提升，也吸引了众多的学者参与到该领域的研究中。小目标检测一直是图像检测领域中一个充满挑战和热度的研究主题。小目标检测的难点主要是物体特征信息少，对噪声敏感。目前检测小目标的方法可大致分为两类，一类是通过扩大图像来放大目标，从而增多小目标的信息，这类方法带来的改进有限；另一类是使用或融合卷积神经网络中的多层特征图来获取充足的小目标特征信息，但是这些方法都没有对图中的噪声进行处理。小目标检测对噪声敏感，过多的噪声影响对小目标信息的识别。

发明内容

为了解决噪声对小目标检测的干扰，本发明提出像素注意网络，其是一种能增强目标信息，同时又弱化非目标信息干扰的图像特征提取方法与装置。所述技术方案如下：

S1.基于卷积神经网络和待检测的目标图像，生成初始特征图。

S2.将初始特征图输入到初始模块中进一步学习高阶抽象的特征信息，得到增强特征图。

S3.基于增强特征图，利用监督学习生成一个长宽和增强特征图一样的特征显著图。

S4.对特征显著图进行归一化处理。

S5.将初始特征图和归一化后的特征显著图相乘，得到净化特征图。

进一步地，在步骤S2中，所述初始模块中有4个分支，每个分支使用不同大小的多个非对称卷积核提取不同抽象程度的高阶抽象特征。然后将每个分支的输出在通道维度上拼接到一起。

进一步地，在步骤S3中，根据监督学习地思想训练模型生成特征显著图的过程中，需要根据标注数据生成区分是否是物体的二值图。再通过不断优化二值图和特征显著图之间的交叉熵损失来指导模型学习生成正确的特征显著图。

进一步地，在步骤S3中，二值图和特征显著图之间的交叉熵损失定义如下：

其中超参数λ表示像素注意网络损失函数L_att在整个目标检测模型损失函数中占的比重，w，h分别表示特征图的长和宽，表示二值图中第ij个像素的标定值，u_ij表示第ij个像素的预测值

进一步地，在步骤S3中，特征显著图可以具有2通道，也可以只有1通道。

进一步地，在步骤S5中，任选取特征显著图中一个通道元素与初始特征图每个通道中的元素相乘，得到净化特征图。

一种图像特征提取装置，包括处理器和存储器，所述存储器中存储有计算机程序；所述计算机程序被所述处理器执行时可实现如上任一项所述的方法。

与现有技术相比，本发明的优点是：

1、在初始模块中使用多个分支，包含多个不同大小的非对称卷积核。一方面减少参数减轻过拟合，另一方面则加了非线性扩展模型的表达能力，非对称的卷积结构可以处理待测图中更丰富的空间特征，增加提取特征的多样性。