[发明专利]一种基于加权深度特征的图像特征提取方法在审
| 申请号： | 201910045648.3 | 申请日： | 2019-01-17 |
| 公开（公告）号： | CN109858496A | 公开（公告）日： | 2019-06-07 |
| 发明（设计）人： | 刘文印;王崎;康培培;徐凯;杨振国;谈季 | 申请（专利权）人： | 广东工业大学 |
| 主分类号： | G06K9/46 | 分类号： | G06K9/46;G06K9/62;G06N3/04 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 林丽明 |
| 地址： | 510006 广东省*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于加权深度特征的图像特征提取方法，所述方法包括以下步骤：选取现有的网络模型在图像数据集上进行预训练，然后去除网络模型中的网络预测层得到最终网络模型；将待提取图像输入至最终网络模型中进行前向计算，提取最终网络模型中所有池化层前面的卷积层作为图像的深度特征图；对每个卷积层计算特征聚合向量，并将每个特征聚合向量进行开方、零均值归一化处理后得到深度特征向量；对所有深度特征向量进行降维，并对降维后的深度特征向量分配对应的权重参数作为每个卷积层的指标；将带有权重参数的深度特征向量进行融合，得到深度图像特征。本发明通用性强，获取的特征鲁棒性好、表达能力强、语义信息丰富、计算简便。 | ||
| 搜索关键词： | 深度特征 网络模型 向量 卷积 图像特征提取 权重参数 降维 加权 聚合 归一化处理 图像数据集 前向计算 深度图像 提取图像 通用性强 网络预测 向量分配 语义信息 开方 鲁棒性 能力强 池化 去除 图像 融合 | ||
【主权项】：
1.一种基于加权深度特征的图像特征提取方法，其特征在于，所述方法包括以下步骤：S1：选取网络模型在图像数据集上进行预训练，并将预训练完毕的网络模型中的网络预测层去除；S2：将待提取图像直接输入至所述的网络模型中进行前向计算，提取网络模型中所有池化层前面的卷积层作为待提取图像的深度特征图；每一池化层前面的卷积层对应若干单层特征图，所述深度特征图包含所有池化层前面的卷积层中的单层特征图；S3：利用双通道分量分别对深度特征图中的每个卷积层计算特征聚合向量，并将每个卷积层对应的特征聚合向量进行归一化处理后得到对应卷积层的深度特征向量；S4：对所有卷积层的深度特征向量分别进行降维处理，并对降维后的深度特征向量分别分配对应的权重参数，将所述权重参数作为每个卷积层的指标；S5：将降维后且带有权重参数的图像深度特征向量进行融合，作为最终的深度图像特征。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东工业大学，未经广东工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910045648.3/，转载请声明来源钻瓜专利网。
