[发明专利]一种针对深度学习特征注意力转移的数据处理方法

说明书

一种针对深度学习特征注意力转移的数据处理方法，首先获取前景特征和背景特征，使用photoshop进行填充处理，目的是消除目标留下的轮廓信息；其次随机对前后景特征用全排列的方式交叉出现，是将类间的无关信息差异体现在不同的图片中，这些无关信息就无法成为判断依据；最后训练数据，随着网络的优化，除了目标区域之外的信息的激活值会被不断降低，也就可以使得目标区域的激活值逐渐上升，增加特征提取准确性。

技术领域

本发明涉及一种针对深度学习特征注意力转移的数据处理方法。

技术背景

CNN特征提取的准确性是保证任务性能的关键，在这个过程中，分割任务区别于一般分类任务的关键是其结果直接通过特征图激活值的二值化得到，因此CNN特征提取对分类任务尤为重要。在小数据量的情况下，CNN对于目标特征提取的精确性会相应变差。网络的注意力一般是不可控的，特别是小规模的数据下，网络很可能无法提取到目标特征。

发明内容

为了克服现有技术的不足，针对因在小数据量的情况下，CNN对于目标特征提取的精确性会相应变差，小数据样本而导致目标特征提取不精确的问题，探究了基于CNN的特征注意力转移，以便提升目标特征激活的精度。本发明提供一种针对深度学习特征注意力转移的数据处理方法，通过交叉前后景的方式可以大大增加网络对于前景的注意力，增加特征提取准确性。

为了解决上述技术问题，本发明能够提供如下的技术方案：

一种针对深度学习特征注意力转移的数据处理方法，所述方法包括以下步骤：

步骤1.获取图片中的目标，选取目标区域，视为前景特征，其他信息视为背景特征，过程如下：

1.1)获取图片的目标区域，即前景特征；

1.2)获取图片的其他信息，即背景特征；

1.3)对背景图片上是黑色区域使用Photoshop填充；

步骤2.对于获取的前后景特征，随机粘贴，过程如下：分离获得的前后景特征，通过全排列的方式使得前后景在各个样本之间交叉出现；

步骤3.训练数据阶段，过程如下：

3.1)前后景交叉图片输入到网络中；

3.2)优化网络；

3.3)重复3.1)～3.2)直到模型达到最优；

进一步，所述步骤1中，获取前景特征和背景特征，使用photoshop进行背景图片填充处理，目的是消除目标留下的轮廓信息。

再进一步，所述步骤2中，随机对前后景特征用全排列的方式交叉出现，是将类间的无关信息差异体现在不同的图片中，这些无关信息就无法成为判断依据。

更进一步，所述步骤3中，随着网络的优化，除了目标区域之外的信息的激活值会被不断降低，也就可以使得目标区域的激活值逐渐上升，增加特征提取准确性。

本发明的技术构思为：通过交叉前后景的方式可以大大增加网络对于前景的注意力，可以通过设置执行操作的概率合理减少过拟合，在类激活图(class activation map，CAM)中显示该方法能有效将特征激活的区域转移至目标区域。

本发明的有益效果主要表现在：利用前后景交叉的数据处理方式增加特征提取准确性。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面结合附图对本发明进一步描述。