[发明专利]基于残差神经网络的特征图处理方法、设备及存储介质

权利要求书

1.一种基于残差神经网络的特征图处理方法，其特征在于，包括：

构建残差神经网络，对所述残差神经网络进行训练；其中，所述残差神经网络包括依次连接的变换不变模块、第一卷积模块、第二卷积模块、第三卷积模块、SE模块、加法模块、归一化模块和激活函数模块，所述加法模块与所述变换不变模块相连接；

利用训练好的残差神经网络处理输入的特征图。

2.根据权利要求1所述的方法，其特征在于，所述利用训练好的残差神经网络处理输入的特征图，包括：

通过所述变换不变模块对输入的特征图进行变换，得到变换后的特征图；

通过所述加入SE模块的残差模块对所述变换后的特征图进行增强，得到增强后的特征图；

通过所述加法模块将所述变换后的特征图和所述增强后的特征图进行相加；

通过所述归一化模块对相加后得到的特征图进行归一化处理；

通过所述激活函数模块处理经过归一化处理后得到的特征图，并输出处理后的特征图。

3.根据权利要求2所述的方法，其特征在于，所述通过所述变换不变模块对输入的特征图进行变换，包括：所述变换不变模块对特征图进行平移变换、尺度变换和旋转变换。

4.根据权利要求2所述的方法，其特征在于，所述归一化模块包括实例标准化层。

5.根据权利要求1所述的方法，其特征在于，所述第一卷积模块包括依次连接的卷积层、批量标准化层和激活函数；

所述第二卷积模块包括依次连接的卷积层、批量标准化层和激活函数；

所述第三卷积模块包括依次连接的卷积层和批量标准化层。

6.根据权利要求5所述的方法，其特征在于，所述第一卷积模块的卷积层为1×1卷积层，所述第二卷积模块的卷积层为3×3卷积层，所述第三卷积模块的卷积层为1×1卷积层。

7.根据权利要求5所述的方法，其特征在于，所述第一卷积模块的激活函数为ReLU函数、Sigmoid函数或Tanh函数，所述第二卷积模块的激活函数为ReLU函数、Sigmoid函数或Tanh函数。

8.根据权利要求1所述的方法，其特征在于，所述激活函数模块包括ReLU函数、Sigmoid函数或Tanh函数。

9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-8中任一所述的基于残差神经网络的特征图处理方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-8中任一所述的基于残差神经网络的特征图处理方法。