[发明专利]数据处理、图像处理方法、装置及电子设备

说明书

本发明提供了一种数据处理、图像处理方法、装置及电子设备，涉及图像处理的技术领域，包括获取待处理图像的目标特征图；通过空间位置特征注意力模块对所述目标特征图的进行降维和关联度重分配处理，得到空间注意力结果图，其中，所述空间注意力结果图为对所述目标特征图的每个空间位置特征进行加权计算之后的特征图；通过通道注意力模块对空间注意力结果图和所述目标特征图进行处理，得到通道注意力分布图，其中，所述通道注意力分布图表示所述目标特征图中每个特征通道的重要程度，本申请缓解了传统卷积网络模型无法有效地获取全局信息和现有的注意力模型计算量较大的技术问题。

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种数据处理、图像处理方法、装置及电子设备。

背景技术

人脸识别是计算机视觉领域的一项基本任务，它是指能够识别或者验证图像或视频中主体身份的一种技术。一般情况下，人脸识别的对象是一幅幅的图像，直接用最原始的神经网络对其处理，耗时又耗显存。因此，卷积神经网络运应而生。

可应用于人脸识别任务上的卷积神经网络主要框架模型有resnet，resnext,mobilenet,shufflenet,vgg和googlenet等。这些模型都有一个特点，通过逐层累计扩大模型的感受野，这样固然节省了算力和存储资源，但是局部感受野操作在每一层计算时都会存在一个问题：全局信息缺失和不同通道的特征没有加以区分。局部卷积神经网的缺点在于区域的大小没法确定以及需要频繁的裁剪拼接操作，对效率不友好。Senet网络没有对空间不同位置的特征信息进行统计或者关联。Non-local方法的计算量比较大。GCNet结合了senet和non-local方法，通过观察到不同位置的注意力图像几乎相似的现象，对non-local模块进行了简化，但是在计算空间不同位置的特征关系时不够简单。

综上所述，现有的人脸识别算法存在以下不足：局部感受野的使用限制了模型的获取全局信息的能力；局部卷积操作无法确定卷积的范围以及频繁的裁剪拼接操作对于效率不友好；现有的注意力模型设计粗糙或计算量比较大。

发明内容

有鉴于此，本发明的目的在于提供一种数据处理、图像处理方法、装置及电子设备，以缓解了现有的注意力模型无法获取全局信息，且现有的注意力模型计算量较大的技术问题。

第一方面，本发明实施例提供了一种数据处理方法，包括：获取待处理图像的目标特征图；通过空间位置特征注意力模块对所述目标特征图的进行降维和关联度重分配处理，得到空间注意力结果图，其中，所述空间注意力结果图为对所述目标特征图的每个空间位置特征进行加权计算之后的特征图；通过通道注意力模块对空间注意力结果图和所述目标特征图进行处理，得到通道注意力分布图，其中，所述通道注意力分布图表示所述目标特征图中每个特征通道的重要程度。

进一步地，对所述目标特征图的进行降维和关联度重分配处理，得到空间注意力结果图包括：对所述目标特征图进行降维处理，得到第一降维特征图，其中，所述目标特征图的大小为C*H*W，所述第一降维特征图的大小为C*S，C为所述目标特征图的通道数量；在通道数量的维度上，对所述第一降维特征图进行降维处理，得到第二降维特征图；对第二降维特征图进行操作，得到所述第一降维特征图关联度重分配的权重值矩阵，其中，所述权重值矩阵中包含所述目标特征图的每个特征通道中各个空间位置特征的权重值；对所述权重值和所述第一降维特征图进行融合，得到所述空间注意力结果图。

进一步地，所述空间位置特征注意力模块包括：特征金字塔池化模块、卷积模块和softmax处理模块。

进一步地，对所述目标特征图进行降维处理，得到第一降维特征图包括：通过所述特征金字塔池化模块对所述目标特征图进行降维处理，得到第一降维特征图。