[发明专利]一种特征模型的生成方法、系统、设备及存储介质

说明书

本发明公开了特征模型的生成方法、系统、设备及存储介质。涉及计算机机器视觉技术领域，用以解决现有特征模型的精准度欠佳，需要进行改进和优化的问题。方法包括：获取原特征集合；对原特征集合进行特征变换；计算特征变换后的特征集合中各特征的重要度得分；以各特征的重要度得分作为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；对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。系统包括：原特征集合获取单元、特征变换单元、计算单元、新特征集合获取单元和特征融合单元。本发明在进行图像识别或图像检索任务时，可实现较优的效果。

技术领域

本发明涉及计算机机器视觉技术领域，特别涉及一种特征模型的生成方法、系统、设备及存储介质。

背景技术

深度卷积神经网络(DCNN-Deep Convolutional Neural Network)是一类包含卷积、池化、激活函数计算并且具有一定深度结构的神经网络，是深度学习领域的代表算法之一。由于DCNN可以直接从数据中学习具有多个抽象级别的强大特征表示，因此在许多计算机视觉任务中取得了重大突破，包括图像分类、目标检测和图像检索。

最近几年，卷积神经网络在图像检索、细粒度图像分类等领域发展十分迅速，目前的图像检索由类别级检索发展到实例级检索，细粒度图像分类问题是对大类下的子类进行识别。无论是实例级别的图像检索还是细粒度图像分类任务，都对卷积网络的特征提取提出了更高的要求，特征必须同时具有不变性、可区分性和强鲁棒性。

但目前现有特征模型的精准度欠佳，需要进行改进和优化。

发明内容

本发明提供了一种特征模型的生成方法、系统、设备及存储介质，用以解决现有特征模型的精准度欠佳，需要进行改进和优化的问题。

为达到上述目的，本发明提供以下技术方案：

第一部分，本发明实施例的特征模型的生成方法，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。

优选的，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。

更为优选的，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。

更为优选的，所述的主干网络以ResNet网络、DenseNet网络，或者SE-Net网络作为基础。

更为优选的，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 patch sampling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。

更为优选的，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。

优选的，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。

优选的，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。