[发明专利]一种基于残差网络的特征图处理方法

说明书

本发明公开了一种基于残差网络的特征图处理方法，包括：在残差网络的瓶颈层残差支路中最后一个卷积层之后接入一SE模块；在残差网络的桥连接支路中下采样模块之后接入一SE模块；在残差网络的加法模块与激活函数模块之间接入实例标准化模块；将特征图输入经过改进的残差网络进行处理，得到下一层的特征图。本发明对传统残差网络进行了改进，分别在瓶颈层残差支路和桥连接支路中加入了一SE模块，并在残差网络中加入了实例标准化模块，利用经过改进的残差网络处理特征图，增强了瓶颈层残差支路中的特征图，接入实例标准化模块提高了残差网络的泛化能力，消除了残差网络对图像外观因素的影响。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于残差网络的特征图处理方法。

背景技术

图像空域具有局部相关性，对图像进行卷积的过程就是对图像的局部相关性的一种提取。卷积核的作用在于特征提取，卷积核尺寸越大意味着感受野更大，当然参数也就越多。1*1卷积的作用是可以改变特征图的通道维数，同时增加网络的非线性表达能力，通过对多个特征图线性组合，实现跨通道的交互和信息整合能力。GoogLeNet的Inception模块的四个分支里都有1*1卷积来减少参数量和计算量，并且使得四个分支的输出通道拼接维度相互匹配。

ResNet(Residual Neural Network)的结构可以极快地加速神经网络的训练，模型的准确率也有比较大的提升。同时ResNet的推广性非常好，甚至可以直接用到InceptionNet网络中。ResNet的主要思想是在网络中增加了直连通道，即Highway Network的思想。此前的网络结构是性能输入做一个非线性变换，而Highway Network则允许保留之前网络层的一定比例的输出。ResNet的思想和Highway Network的思想也非常类似，允许原始输入信息直接传到后面的层中，这样的话这一层的神经网络可以不用学习整个的输出，而是学习上一个网络输出的残差，因此ResNet又叫做残差网络。残差网络是由来自Microsoft Research的4位华人学者提出的卷积神经网络，在2015年的ImageNet大规模视觉识别竞赛中获得了图像分类和物体识别的冠军。

ResNet在残差连接中也使用了1*1卷积，先使用1*1卷积进行降维，然后再经过3*3卷积层处理，最后用1*1卷积进行升维，使得参数量大大减少，桥连接中使用下采样来调整通道维数，使得两个分支的通道维数一致。

发明内容

本发明的一个目的是提供一种基于残差网络的特征图处理的新的技术方案。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的一个方面，提供一种基于残差网络的特征图处理方法，包括：

在残差网络的瓶颈层残差支路中最后一个卷积层之后接入一挤压激励模块；

在残差网络的桥连接支路中下采样模块之后接入一挤压激励模块；

在残差网络的加法模块与激活函数模块之间接入实例标准化模块；所述加法模块用于将桥连接支路和瓶颈层残差支路的特征通道相加；

将特征图输入经过改进的残差网络进行处理，得到下一层的特征图。

进一步地，所述将特征图输入经过改进的残差网络进行处理，得到下一层的特征图，包括：

将特征图分别输入桥连接支路和瓶颈层残差支路进行处理；

在桥连接支路中，特征图依次经过下采样模块处理和挤压激励模块处理后输出；

在瓶颈层残差支路中，特征图依次经过若干卷积层处理和挤压激励模块处理后输出；

通过加法模块将分别从桥连接支路和瓶颈层残差支路输出的处理后的特征图进行相加；