[发明专利]池化方法、图像处理方法及装置

说明书

本申请实施例公开了一种池化方法、图像处理方法及装置，在对图像进行处理过程中，池化操作不仅考虑了空间域的特征，即实时位置处滑动窗口内的特征，还考虑了时间域的特征，即相邻特征图中同一位置处滑动窗口内的特征，提高了信息的利用率，从而提高处理精度。

技术领域

本申请涉及计算机视觉技术领域，更具体地说，涉及一种池化方法、图像处理方法及装置。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，擅长处理图像特别是大图像的相关机器学习问题。卷积神经网络包含了一个由卷积层(convolutional layer)和池化层(pooling layer)构成的特征抽取器，其中，卷积层用于对输入的图像进行特征提取，得到特征图序列；池化层则用于对卷积层输出的每一帧特征图进行降维处理。

目前，对于每一帧特征图，池化层的池化方法是：通过一个滑动窗口在特征图中滑动，每滑动到一个位置，根据滑动窗口内的特征值进行池化运算，得到当前位置的池化后的特征值，以达到对特征图降维的目的。

发明人在实现本申请的过程中发现，基于目前的池化方法，卷积神经网络对图像进行处理后，处理结果的精度较低。例如，卷积神经网络用于目标识别时，识别结果的精度较低。

发明内容

本申请的目的是提供一种池化方法、图像处理方法及装置，以至少部分的克服现有技术中存在的技术问题。

为实现上述目的，本申请提供了如下技术方案：

一种池化方法，包括：

将滑动窗口在第一特征图上滑动；

当所述滑动窗口滑动到第一位置时，根据所述第一特征图以及与所述第一特征图相邻的第二特征图中所述第一位置处的所述滑动窗口内的特征值，进行池化运算，得到所述第一特征图中所述第一位置处的池化后的特征值。

上述方法，优选的，所述根据所述第一特征图以及与所述第一特征图相邻的第二特征图中所述第一位置处的所述滑动窗口内的特征值，进行池化运算，包括：

根据所述第一特征图中所述第一位置处所述滑动窗口内的特征值，以及所述第二特征图中所述第一位置处的所述滑动窗口内预设区域内的特征值，进行池化运算。

上述方法，优选的，所述根据所述第一特征图中所述第一位置处所述滑动窗口内的特征值，以及所述第二特征图中所述第一位置处的所述滑动窗口内预设区域内的特征值，进行池化运算，包括：

获取所述第二特征图中所述第一位置处所述滑动窗口内预设区域内的特征值；

对所述预设区域内的特征值进行处理，得到区域特征值；

利用所述第一特征图中所述第一位置处所述滑动窗口内的特征值，以及所述区域特征值，进行池化运算。

上述方法，优选的，所述根据所述第一特征图中所述第一位置处所述滑动窗口内的特征值，以及所述第二特征图中所述第一位置处的所述滑动窗口内预设区域内的特征值，进行池化运算，包括：

利用所述第一特征图中所述第一位置处所述滑动窗口内的特征值，以及所述第二特征图中所述第一位置处的所述滑动窗口内预设区域内的特征值，进行池化运算。

上述方法，优选的，所述根据所述第一特征图以及与所述第一特征图相邻的第二特征图中所述第一位置处的所述滑动窗口内的特征值，进行池化运算，包括：

根据所述第一特征图中所述第一位置处所述滑动窗口内的特征值，以及所述第二特征图中所述第一位置处的所述滑动窗口内的所有特征值，进行池化运算。

上述方法，优选的，所述进行池化运算包括：

进行均值池化运算，或者，进行最大值池化运算。