[发明专利]深度学习特征压缩和解压缩方法、系统及终端

权利要求书

1.一种深度学习特征压缩方法，其特征在于，包括：

在编码端：

对输入的原始特征进行紧凑空间变换，得到所述原始特征的紧凑特征表达；包括：

通过间接的码率约束对输入的原始特征进行紧凑空间变换，即直接对量化后的多通道特征图进行码率约束，间接实现对输入的原始特征进行紧凑空间变换，得到所述原始特征的紧凑特征表达；

利用所述紧凑特征表达，计算特征中各通道的重要性系数，进行各通道的量化参数自适应分配；包括：

利用所述紧凑特征表达，获取特征中不同通道的重要性系数；

对所述重要性系数进行预处理后基于系数分布自动完成特征通道组划分；

基于从量化参数集中选择的量化参数值初始值对不同的通道组进行量化参数自适应分配；

基于分配好的量化参数对不同通道进行非均匀量化，得到量化后的多通道特征图；包括：

以可学习的网络结构对量化时的取整过程进行模拟，基于已分配好的量化参数对不同通道进行不同级别的量化，即实现非均匀量化，获取逼近真实量化结果的近似量化结果，在训练过程中得到量化后的多通道特征图；

对所述量化后的多通道特征图进行特征编码，完成对特征的压缩；包括：

将量化后的多通道特征图组合为一张单一的图像，采用图像编码器进行有损或无损编码，完成对特征的压缩。

2.根据权利要求1所述的深度学习特征压缩方法，其特征在于，所述预处理包括：

对所述重要性系数进行×2和取整量化操作，使通道的量化级别划分基于图像内容自适应调整，从而实现量化参数的自适应分配。

3.一种深度学习特征解压缩方法，其特征在于，包括：

在解码端：

对压缩后的特征解码并进行反量化操作，得到反量化的多通道特征图；包括：

采用图像解码器对编码后的特征进行解码，重新拆分为多通道的特征图序列；

针对所述反量化的多通道特征图的不同量化级别进行性能自适应补偿；包括：

基于所述反量化后的多通道特征图和量化参数进行补偿信息提取，并将提取到的所述补偿信息叠加到所述反量化后的多通道特征图上，完成对特征的性能自适应补偿；

对补偿后的多通道特征图进行原始特征重建，完成对特征的解压缩。

4.一种深度学习特征压缩系统，其特征在于，包括：设置于编码端的紧凑空间变换模块、敏感度估计模块、模拟量化模块以及特征编码模块；其中：

所述紧凑空间变换模块，对输入的原始特征进行紧凑空间变换，得到所述原始特征的紧凑特征表达；包括：通过间接的码率约束对输入的原始特征进行紧凑空间变换，即直接对量化后的多通道特征图进行码率约束，间接实现对输入的原始特征进行紧凑空间变换，得到所述原始特征的紧凑特征表达；

所述敏感度估计模块，利用所述紧凑特征表达，计算特征中各通道的重要性系数；

所述模拟量化模块，基于重要性系数进行各通道的量化参数自适应分配，然后基于分配好的量化参数对不同通道进行非均匀量化，得到量化后的多通道特征图；包括：对所述重要性系数进行预处理后基于系数分布自动完成特征通道组划分；基于从量化参数集中选择的量化参数值初始值对不同的通道组进行量化参数自适应分配；以可学习的网络结构对量化时的取整过程进行模拟，基于已分配好的量化参数对不同通道进行不同级别的量化，即实现非均匀量化，获取逼近真实量化结果的近似量化结果，在训练过程中得到量化后的多通道特征图；

所述特征编码模块，对所述量化后的多通道特征图进行特征编码，完成对特征的压缩；包括：将量化后的多通道特征图组合为一张单一的图像，采用图像编码器进行有损或无损编码，完成对特征的压缩。

5.根据权利要求4所述的深度学习特征压缩系统，其特征在于，还包括如下任意一项或任意多项：

-所述敏感度估计模块包括通道注意力单元和残差单元；其中，所述通道注意力单元包括全局平均池化层和全局最大池化层，所述全局平均池化层和全局最大池化层充分提取通道之间的依赖关系实现空间信息聚合，获取用于自适应分配的重要性系数；

-所述模拟量化模块的输入包括原始特征的紧凑特征表达和量化参数值初始值，实现各种量化级别的模拟。