[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

说明书

本申请公开了一种基于残差神经网络的特征图处理方法、设备及存储介质，该方法包括：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。本申请提供的基于残差神经网络的特征图处理方法，利用包含SE模块和变换不变模块的残差神经网络处理特征图，解决了实际应用中图像随机变换所导致的识别性能下降的问题，从而提高了卷积神经网络针对图像分类任务的泛化能力，对特征图的处理效果好。

技术领域

本申请涉及计算机视觉技术领域，具体涉及一种基于残差神经网络的特征图处理方法、设备及存储介质。

背景技术

目前，卷积神经网络(CNN)广泛应用于视觉识别领域。现有的CNN模型存在两个缺点：(1)图像空域变化会使得网络性能有所下降；(2)CNN模型的泛化性能受图像的颜色、亮度、风格等外观因素的影响很大。目前CNN只是单独使用实例标准化(IN)或批量标准化(BN)。其中实例标准化(IN)学习的是不随颜色、风格、虚拟/真实等外观变化而改变的特征，消除个体不同外观的差别，但减少了有用信息；批量标准化(BN)学习的是保留与内容有关的信息，保留了单个样本之间的区别，但也对CNN在外观转换上有影响。由于上述缺陷，现有技术的卷积神经网络对特征图的处理效果不好。

发明内容

本申请的目的是提供一种基于残差神经网络的特征图处理方法、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本申请实施例的一个方面，提供一种基于残差神经网络的特征图处理方法，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。

进一步地，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。

进一步地，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。

进一步地，所述归一化模块包括实例标准化层。

进一步地，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。

进一步地，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。