[发明专利]一种特征提取的方法及装置

说明书

本发明实施例涉及一种特征提取的方法及装置。该方法包括：采用多个卷积层对目标图像进行卷积处理，得到第一特征图；将所述第一特征图分别输入至多个具有不同膨胀系数的第一空洞卷积层进行卷积处理，得到N个表征不同尺度的第二特征图；基于注意力机制确定所述N个第二特征图分别对应的N个尺度比例系数；基于所述N个第二特征图和所述N个第二特征图各自对应的尺度比例系数进行特征提取，得到所述目标图像的最终特征图。既深入提取了目标图像的语义信息，又在特征提取的过程中关注不同尺度的目标的空间信息，在满足大目标的检测精度的同时，又提高了小目标的检测精度，兼顾了多尺度目标的检测需求。

技术领域

本发明实施例涉及计算机视觉技术领域，尤其涉及一种特征提取的方法、装置、计算设备及计算机可读存储介质。

背景技术

特征提取在图像处理领域起着非常重要的作用，例如目标检测、图像分类等。下面以目标检测为例，详细介绍特征提取在目标检测中的应用。

目标检测是指计算机根据输入的图片自动识别出图像中的物体并把它们的位置在图片中框出来。随着人工智能的不断发展，深度学习目标检测算法逐渐取代传统的目标检测方法。深度学习目标检测算法是指通过大量的样本图像对目标检测网络进行训练，之后将一张图像输入至训练好的目标检测网络，目标检测网络会输出针对该张图像进行目标检测的结果。

其中，多尺度目标检测一直是一个难题，即单个目标检测网络不能同时兼顾尺度大的目标和尺度小的目标的检测精度。例如，在一张图像上各目标具有不同的尺度(离相机远的物体与离相机近的物体在图像中成像的尺度不同)；同一个目标由于与相机发生相对运动所以距离相机的距离不同，那么该目标在不同的图像上也具有不同的尺度。而深度学习在目标检测领域主要是通过对图像进行不断的堆叠卷积从而提取出信息更为丰富的图像特征。随着卷积层数的加深，获得的图像特征中包含的语义信息越来越丰富，对图像中大目标的检测越来越精确，但是空间信息却随着卷积层数的加深被不断地弱化，这样就导致图像中的小目标的检测愈发的不准确。

目前研究者针对多尺度目标检测提出了一种方法：利用卷积过程中生成的不同分辨率的特征分别对不同尺度的物体进行目标检测。例如，将卷积层数多时获得的分辨率较小但是语义信息更为丰富的高维特征与卷积层数少时获得的分辨率较大的底层特征缩放至相同的尺寸后，进行叠加，将叠加后的特征用于后续的目标检测步骤；这样的话高维特征能够用于对尺度较大的物体进行目标检测，底层特征能够用于对尺度较小的物体进行目标检测。但是，分辨率大的底层特征由于卷积层数少，语义信息不够，因此基于上述方式得到的叠加后的特征进行目标检测，对小目标的检测精度依然不高。

发明内容

本发明实施例提供一种特征提取的方法，用以提高对图像中小目标的检测精度。

第一方面，本发明实施例提供一种特征提取的方法，包括：

采用多个卷积层对目标图像进行卷积处理，得到第一特征图；所述多个卷积层中的至少一个卷积层的输入特征图和输出特征图的尺寸相同；

将所述第一特征图分别输入至多个具有不同膨胀系数的第一空洞卷积层进行卷积处理，得到N个表征不同尺度的第二特征图；

基于注意力机制确定所述N个第二特征图分别对应的N个尺度比例系数；其中，所述尺度比例系数用于表征对应的第二特征图对特征提取的作用程度；

基于所述N个第二特征图和所述N个第二特征图各自对应的尺度比例系数进行特征提取，得到所述目标图像的最终特征图。