[发明专利]一种基于多路并行卷积神经网络的图像处理方法

说明书

本发明涉及一种基于多路并行卷积神经网络的图像处理方法，采用全新策略进行图像处理，针对特征图，应用降维处理引入分支处理路径，针对各分支的输入特征图，分别经过预设卷积设计处理，获得各分支所对应的中级特征图；然后针对不同分支进行中级特征图的融合处理，获得各分支所对应包含高级特征与低级特征的融合特征图；最后针对各分支，应用注意力模块进行去冗余处理，获得终极特征图；如此根据设计需求循环上述过程，获得各个当前分支的结果特征图；整个设计处理方法能够有效提高各分支下结果特征图的获得效率与精度。

技术领域

本发明涉及一种基于多路并行卷积神经网络的图像处理方法，属于图像处理技术领域。

背景技术

近年来，随着互联网特别是移动互联网的发展，产生了海量的数据，大数据时代到来，因此需要大量数据进行训练的深度神经网络得到了飞跃发展。深度神经网络在自然语言处理、图像识别、目标检测等领域获得的很大的突破，有些地方的表现已经超越了人类。而且在很多工业领域进行了成功应用，如语音助手、无人超市、人脸支付、智能交通、智能客服等。作为神经网络中的一种，卷积神经网络在图像处理方面相比传统的机器视觉方法有很大的优势，它不再需要手工设计特征，而是让网络根据数据自己学习需要的特征。手工设计的特征具有一定的针对性，这样就会在复杂多变的光线、颜色、纹理等条件下更好的适应，而卷积神经网络根据数据学习需要的特征，这些特征对光线、颜色、纹理会有很好的鲁棒性。目前的卷积神经网络在处理图像时，结构一般都采用串行结构，通常为输入一张图像，然后采用多层卷积神经网络进行降维，从而提取高级特征，根据任务的不同，后面会连接分类器或者升维，这样网络的输出虽然包含了很好的高级特征，但是会丢失很多的低级特征，这些低级特征在有些任务中有很大的作用，如位置信息。也有采用并行结构的卷积神经网络，不过其在融合不同的特征时采用的是先把各个分支的特征图化为统一尺寸然后相加，这样虽然可以同时保留图像的高级特征和低级特征，但是也会增加很多的冗余信息，因为高级特征图和低级特征图中包含很多的重复信息。

发明内容

本发明所要解决的技术问题是提供一种基于多路并行卷积神经网络的图像处理方法，采用全新策略进行图像处理，能够提高获得包含高级特征与低级特征的特征图的获得效率与精度。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于多路并行卷积神经网络的图像处理方法，用于获得目标图像对应预设数量分支下、各分支应用卷积神经网络处理后的结果特征图；包括如下步骤：

步骤A.应用卷积层，针对目标图像按预设卷积核大小、进行卷积处理，获得特征图，作为当前上层分支的输入特征图，然后进入步骤B；

步骤B.获得当前上层分支的输入特征图的副本，并应用池化层，针对该副本按预设降维维度大小、进行降维处理，获得高级特征图，作为当前下层分支的输入特征图，然后进入步骤C；

步骤C.分别针对当前上层分支和当前下层分支：根据预设数量卷积层、以及各卷积层中预设卷积核大小，针对输入特征图依次经过各卷积层进行卷积处理，获得中级特征图；

即分别获得当前上层分支所对应的中级特征图、以及当前下层分支所对应的中级特征图，然后进入步骤D；

步骤D.针对当前上层分支：先获得当前下层分支所对应的中级特征图的副本；接着针对该副本进行上采样，获得与当前上层分支所对应中级特征图尺寸相同的副本特征图；然后针对当前上层分支所对应的中级特征图、以及该副本特征图，沿分支方向进行叠加，获得当前上层分支所对应的融合特征图；

同时，针对当前下层分支：先获得当前上层分支所对应的中级特征图的副本；接着针对该副本进行下采样，获得与当前下层分支所对应中级特征图尺寸相同的副本特征图；然后针对当前下层分支所对应的中级特征图、以及该副本特征图，沿分支方向进行叠加，获得当前下层分支所对应的融合特征图；

待分别完成针对当前上层分支、当前下层分支的上述操作后，进入步骤E；