[发明专利]一种基于特征块折叠的非局部性卷积建模方法及装置

权利要求书

1.一种基于特征块折叠的非局部性卷积建模方法，其特征在于，包括：

S1：构建FFNL模块，FFNL模块包括FF子模块、RFF子模块和NL子模块；

S2：将FFNL模块嵌入到普通卷积网络的浅层阶段，得到基于特征块折叠的非局部性卷积分类模型；其中，基于特征块折叠的非局部性卷积分类模型包括前段网络、FFNL模块和后段网络；

S3：获取训练数据并采用训练数据训练基于特征块折叠的非局部性卷积分类模型，得到训练好的基于特征块折叠的非局部性卷积分类模型；

S4：采用训练好的基于特征块折叠的非局部性卷积分类模型对待分类数据处理，得到分类结果。

2.根据权利要求1所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，所述普通卷积网络为ResNet网络，其包括4个主干模块，FFNL模块嵌入到ResNet网络的第一个主干模块和第二个主干模块之间。

3.根据权利要求1所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，基于特征块折叠的非局部性卷积分类模型对待分类数据进行处理的过程包括：

S41：基于特征块折叠的非局部性卷积分类模型的前段网络对待分类数据进行特征提取，得到初级特征；

S42：采用FFNL模块对初级特征进行特征提取，得到次级特征；

S43：采用基于特征块折叠的非局部性卷积分类模型的后段网络对次级特征进行处理，得到分类结果。

4.根据权利要求3所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，采用FFNL模块对初级特征进行特征提取的过程包括：

采用FF子模块将初级特征在空间维度上划分为多个特征块；将多个特征块在通道维度上进行折叠，得到折叠特征；

采用NL子模块对折叠特征进行特征学习，得到第一中间特征；

采用RFF子模块将第一中间特征的所有特征块恢复成与初级特征同相同的空间位置，得到第二中间特征；

将初级特征与第二中间特征相加，得到次级特征。

5.根据权利要求4所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，多个特征块在通道维度上进行折叠的规则为：将特征块按照横向空间维度、纵向空间维度、通道维度的排序优先级进行排序并根据排序进行折叠。

6.根据权利要求3所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，基于特征块折叠的非局部性卷积分类模型的后段网络对次级特征进行处理的过程包括：后段网络包括池化层和全连接层；将次级特征输出到池化层中进行平均池化，得到一维特征向量；将一维特征向量输入到全连接层中，得到分类结果。

7.根据权利要求1所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，所述NL子模块包括第一层卷积、第二层卷积和第三层卷积。

8.根据权利要求7所述的一种基于特征块折叠的非局部性卷积建模方法，其特征在于，第一层卷积、第二层卷积和第三层卷积的卷积核大小分别为3×3、3×3和1×1，卷积核的分组数等于FFNL模块输入特征的通道维数。

9.一种基于特征块折叠的非局部性卷积建模装置，其特征在于，包括：获取单元、模型构建单元、训练单元和输出单元；

所述获取单元用于获取训练数据；

所述模型构建单元用于构建FFNL模块并将FFNL模块嵌入普通卷积网络的浅层阶段，得到基于特征块折叠的非局部性卷积分类模型；

所述训练单元用于采用训练数据对基于特征块折叠的非局部性卷积分类模型进行训练，保存模型参数，得到训练好的基于特征块折叠的非局部性卷积分类模型；

所述输出单元用于输出训练好的基于特征块折叠的非局部性卷积分类模型。