[发明专利]一种基于高阶统计量的特征图处理方法、终端及存储介质

说明书

本发明公开了一种基于高阶统计量的特征图处理方法、终端及存储介质，方法包括：分别计算待处理特征图的各个通道对应的统计量数值，其中，统计量包括至少一个高阶统计量；将待处理特征图输入至预先训练完成的第一神经网络，通过第一神经网络获取第一参数集合，其中，第一参数集合中包括多个第一参数，每个第一参数为待处理特征图分别与各个统计量的相关性分数；根据各个第一参数和统计量数值分别获取待处理特征图的各个通道的注意力权重；根据各个注意力权重对待处理特征图的各个通道进行处理，获取目标特征图。本发明通过包括高阶统计量在内的多个统计量数值能够捕获更丰富的统计信息，能够提升通道注意力权重的准确性，提高神经网络的表示能力。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于高阶统计量的特征图处理方法、终端及存储介质。

背景技术

现有的很多基于深度学习的图像超分辨算法都意图设计更深或者更宽的网络结构，而忽略了网络中间层的特性相关性，从而影响了神经网络的特征表示能力，通道注意力机制可以通过建模通道之间的相关性来自适应地重新缩放每个通道的特征，从而使网络可以专注于更有用的通道并提高神经网络的表示能力，但是，现有技术中的通道注意力机制捕获的统计信息非常有限，很难计算准确的注意力权重。

因此，现有技术还有待改进和提高。

发明内容

针对现有技术的上述缺陷，本发明提供一种基于高阶统计量的特征图处理方法、终端及存储介质，旨在解决现有技术中通道注意力机制捕获的统计信息有限，得到的注意力权重不准确的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

本发明的第一方面，提供一种基于高阶统计量的特征图处理方法，所述方法包括：

分别计算待处理特征图的各个通道对应的统计量数值，其中，所述统计量包括至少一个高阶统计量；

将所述待处理特征图输入至预先训练完成的第一神经网络，通过所述第一神经网络获取第一参数集合，其中，所述第一参数集合中包括多个第一参数，每个第一参数为所述待处理特征图分别与各个所述统计量的相关性分数；

根据各个所述第一参数和所述统计量数值分别获取所述待处理特征图的各个通道的注意力权重；

根据各个所述注意力权重对所述待处理特征图的各个通道进行处理，获取目标特征图。

所述的基于高阶统计量的特征图处理方法，其中，所述统计量包括一阶统计量、二阶统计量、三阶统计量和四阶统计量。

所述的基于高阶统计量的特征图处理方法，其中，所述分别计算通道对应的统计量数值，包括：

根据预设公式分别获取所述统计量数值；

其中，所述预设公式为：

其中，z_1,c表示待处理特征图U的第c个通道的一阶统计量数值，z_2,c表示待处理特征图U的第c个通道的二阶统计量数值，z_3,c表示待处理特征图U的第c个通道的三阶统计量数值，z_4,c表示待处理特征图U的第c个通道的四阶统计量数值，u_c(i,j)是特征图U的第c个通道中坐标为(i,j)的特征点的特征值，μ_c是特征图U的第c个通道中所有特征值的均值，σ_c是特征图U的第c个通道中所有特征值的均值标准差，E是均值操作。

所述的基于高阶统计量的特征图处理方法，其中，所述通过所述第一神经网络获取第一参数集合，包括：