[发明专利]一种特征模型的生成方法、系统、设备及存储介质

权利要求书

1.一种特征模型的生成方法，其特征在于，包括下列步骤：

S1、获取原特征集合；

S2、对所述的原特征集合进行特征变换；

S3、计算特征变换后的特征集合中各特征的重要度得分；

S4、以所述各特征的重要度得分作为所述原特征集合中各个特征的权重值进行加权，得到新特征集合；

S5、对所述的新特征集合进行特征融合，得到融合后的特征，生成特征模型。

2.如权利要求1所述的特征模型的生成方法，其特征在于，步骤S1中所述的获取原特征集合，具体是将待分析的图片经过特征提取网络得到所述原特征集合，所述的特征提取网络包括主干网络和特征区域选择网络。

3.如权利要求2所述的特征模型的生成方法，其特征在于，所述的主干网络为具有跨层连接结构的网络，在所述主干网络的全局池化层之前，插入所述特征区域选择网络对特征区域进行选择，得到若干特征，再经过所述主干网络的池化层和归一化层，得到所述的原特征集合。

4.如权利要求3所述的特征模型的生成方法，其特征在于，所述的主干网络以ResNet网络、DenseNet网络，或者SE-Net网络作为基础。

5.如权利要求3所述的特征模型的生成方法，其特征在于，所述的插入特征区域选择网络对特征区域进行选择，得到若干特征，具体是插入rigid grid网格、Dense patchsampling网络，或者RPN网络对特征区域进行选择，得到固定数量的特征。

6.如权利要求3所述的特征模型的生成方法，其特征在于，所述的特征区域选择网络对特征区域进行选择，具体是特征区域选择网络同时作用于至少2个特征层，对不同特征层的特征区域进行选择。

7.如权利要求1所述的特征模型的生成方法，其特征在于，步骤S2中所述的对原特征集合进行特征变换，具体是将原特征集合映射到新的特征域下，所述的映射过程中使用MLP层，所述的MLP层由全连接层和RELU激活层交替叠加构成。

8.如权利要求1所述的特征模型的生成方法，其特征在于，步骤S2中所述的对原特征集合进行特征变换，具体是采用encode层的encode编码器进行特征变换。

9.如权利要求7所述的特征模型的生成方法，其特征在于，步骤S3中所述的计算特征变换后的特征集合中各特征的重要度得分，具体是所述的MLP层之后，包括：全局均值池化层和softmax层，所述softmax层将全局均值池化层输出的特征向量转换为数值在[0,1]之间，且和为1的概率值，得出特征变换后的特征集合中各个特征的重要度得分。

10.如权利要求9所述的特征模型的生成方法，其特征在于，所述的softmax层将全局均值池化层输出的特征向量转换为数值在[0,1]之间，且和为1的概率值，具体通过如下公式计算：

其中，Zi表示特征集合中的各个特征，C表示特征集合中的特征数量，e表示常数。

11.如权利要求9或10所述的特征模型的生成方法，其特征在于，步骤S4中所述的以各特征的重要度得分作为所述原特征集合中各个特征的权重值进行加权，得到新特征集合，具体是以每一特征的特征值分别乘以其自身的重要度得分，完成对该特征的加权，加权后的特征集合为所述的新特征集合。

12.如权利要求1所述的特征模型的生成方法，其特征在于，步骤S5中所述的对新特征集合进行特征融合，得到融合特征，具体是将所述新特征集合中的每一特征在其对应的位置进行特征值相加，完成特征融合，并输出融合后的特征。