[发明专利]特征上下文感知的池化方法、装置、计算机设备和介质

权利要求书

1.一种特征上下文感知的池化方法，其特征在于，包括：

获得预设神经网络模型中的卷积层计算得出的特征向量矩阵；

将所述特征向量矩阵进行第一池化计算得到第一池化值，同时对所述特征向量矩阵进行第二池化计算得到第二池化值；

对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值；

将所述第一加权池化值和所述第二加权池化值进行拼接，得到池化后的特征向量矩阵。

2.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述将所述特征向量矩阵进行第一池化计算得到第一池化值的步骤，包括：

将所述特征向量矩阵的每一列数据按照从大到小的顺序进行排序，得到排序后的特征向量矩阵；

将排序后的所述特征向量矩阵输入所述预设神经网络模型的全连接层，得到排序后的所述特征向量矩阵的每一列数据的权重值；

将排序后的所述特征向量矩阵的每一列数据与其对应的权重值相乘，得到加权后的特征向量矩阵；

将加权后的所述特征向量矩阵的每一列数据进行相加，得到第一池化值。

3.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述对所述特征向量矩阵进行第二池化计算得到第二池化值的步骤，包括：

基于softmax函数计算所述特征向量矩阵中每个特征向量的得分；

将所述特征向量矩阵中每个特征向量与对应的所述得分相乘，得到乘法计算后的特征向量矩阵；

将乘法计算后的所述特征向量矩阵的每一列数据进行相加，得到第二池化值。

4.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值的步骤，包括：

接收输入的第一权重值和第二权重值；

将所述第一池化值乘以所述第一权重值得到所述第一加权池化值，将所述第二池化值乘以所述第二权重值得到所述第二加权池化值。

5.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值的步骤，包括：

将所述第一池化值和所述第二池化值输入所述预设神经网络模型的全连接层，得到所述第一池化值和所述第二池化值对应的权重值；

将所述第一池化值和所述第二池化值分别乘以对应的权重值，得到所述第一加权池化值和所述第二加权池化值。

6.根据权利要求1所述的特征上下文感知的池化方法，其特征在于，所述获得所述神经网络模型中的卷积层计算得出的特征向量矩阵的步骤之前，包括：

获取目标图像；

将所述目标图像进行预处理，得到预处理后的目标图像矩阵；

将所述预处理后的目标图像矩阵输入所述预设神经网络模型。

7.一种特征上下文感知的池化装置，其特征在于，包括：

获取模块，用于获得预设神经网络模型中的卷积层计算得出的特征向量矩阵；

池化计算模块，用于将所述特征向量矩阵进行第一池化计算得到第一池化值，同时对所述特征向量矩阵进行第二池化计算得到第二池化值；

加权计算模块，用于对所述第一池化值和所述第二池化值分别进行加权计算，得到第一加权池化值和第二加权池化值；

拼接模块，用于将所述第一加权池化值和所述第二加权池化值进行拼接，得到池化后的特征向量矩阵。