[发明专利]一种基于选择性特征连接的卷积神经网络的图像整合方法

权利要求书

1.一种基于选择性特征连接的卷积神经网络的图像整合方法，其特征在于，包括以下步骤：

步骤1：分别求出低层特征和高层特征的平均特征；

步骤2：将步骤1得到的高层特征的平均特征减去低层特征的平均特征得到关键特征图的得分；

步骤3：对高层特征的平均特征进行缩放处理；

步骤4：将步骤2得到的关键特征图的得分和步骤3缩放处理的结果分别进行Softmax归一化处理得到特征Z；

步骤5：对特征Z进行最大值归一处理，得到注意得分。

2.如权利要求1所述的基于选择性特征连接的卷积神经网络的图像整合方法，其特征在于，在步骤1中，低层特征的平均特征如下所示：

高层特征的平均特征如下所示：

其中Am∈R^F×G×1，Bm∈R^F×G×1，A0在空间位置(i,j,c)处对应的值为A0_i,j,c，B在空间位置(i,j,c)处对应的值为B_i,j,c，C₁代表低层特征的个数，C₂代表高层特征的个数。

3.如权利要求2所述的基于选择性特征连接的卷积神经网络的图像整合方法，其特征在于，在步骤2中，关键特征图的得分如下所示：

P＝Bm-Am。

4.如权利要求2或3所述的基于选择性特征连接的卷积神经网络的图像整合方法，其特征在于，在步骤3中，对高层特征的平均特征进行缩放处理如下所示：

D＝Bm*n

其中

5.如权利要求1所述的基于选择性特征连接的卷积神经网络的图像整合方法，其特征在于，在步骤4中，将步骤2得到的关键特征图的得分和步骤3缩放处理的结果分别进行Softmax归一化处理如下所示：

得到的特征Z如下：

Z＝S^P-S^D。

6.如权利要求5所述的基于选择性特征连接的卷积神经网络的图像整合方法，其特征在于，在步骤5中，注意得分如下所示：

其中M∈R^F×G×1，M_i,j是在位置(i,j)的最终得分。