[发明专利]图像特征提取方法、装置、电子设备及可读存储介质

说明书

本申请提供的图像特征提取方法、装置、电子设备及可读存储介质，方法包括：根据待处理图像的特征图，确定特征图中多个特征块；特征块包含特征图的部分像素；根据多个特征块，确定特征图中每个像素对应的注意力权重；或者，根据特征块，确定特征图中每个采样区域对应的注意力权重；其中，注意力权重表征每个像素或者每个采样区域之间的依赖程度；根据计算的注意力权重，提取待处理图像的特征。本申请采用了特征块与像素，或者特征块与采样区域(也可以理解为块)的注意力机制，这种注意力机制与卷积计算构成互补，能极大降低计算量，同时可以避免因错误累计造成的准确度低的问题。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像特征提取方法、装置、电子设备及可读存储介质。

背景技术

目前，基于卷积神经网络(Convolutional Neural Networks,简称CNN)构建的特征提取模型，可以广泛的应用在图片识别、行人重识别、语义分割等各种场景中，但是卷积神经网络因卷积核导致其感受野不大，无法获取图像的全局特征信息。使得其提取的信息能力变弱,因此，目前提出了一种融合注意力机制网络的解决方式，可以很好的处理图像的全局信息。

然而，由于注意力机制网络需要对图像的每个通道均进行注意力机制计算，且在注意力机制计算的过程中，需要对图像特征图上的每个像素两两比较，从而确定每个像素的注意力权重，这就导致融合得到的特征提取模型存在计算量大、准确率低的缺点。

发明内容

本申请的目的之一在于提供一种图像特征提取方法、装置、电子设备及可读存储介质，用以降低特征提取的计算量和复杂度，提升特征提取的准确率。

本申请的实施例可以这样实现：

第一方面，本申请提供一种图像特征提取方法，所述方法包括：根据待处理图像的特征图，确定所述特征图中多个特征块；所述特征块包含所述特征图的部分像素；根据所述多个特征块，确定所述特征图中每个像素对应的注意力权重；或者，根据所述特征块，确定所述特征图中每个采样区域对应的注意力权重；其中，所述注意力权重表征所述每个像素或者所述每个采样区域之间的依赖程度；根据计算的所述注意力权重，提取所述待处理图像的特征。

第二方面，本申请提供一种图像特征提取装置，包括：确定模块，用于根据待处理图像的特征图，确定所述特征图中多个特征块；所述特征块包含所述特征图的部分像素；注意力权重计算模块，用于根据所述多个特征块，确定所述特征图中每个像素对应的注意力权重；或者，根据所述特征块，确定所述特征图中每个采样区域对应的注意力权重；其中，所述注意力权重表征所述每个像素或者所述每个采样区域之间的依赖程度；特征提取模块，用于根据确定的所述注意力权重，提取所述待处理图像的特征。

第三方面，本申请提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现第一方面所述的图像特征提取方法。

第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的图像特征提取方法。

本申请提供的图像特征提取方法、装置、电子设备及可读存储介质，方法包括：根据待处理图像的特征图，确定所述特征图中多个特征块；所述特征块包含所述特征图的部分像素；根据所述多个特征块，确定所述特征图中每个像素对应的注意力权重；或者，根据所述特征块，确定所述特征图中每个采样区域对应的注意力权重；其中，所述注意力权重表征所述每个像素或者所述每个采样区域之间的依赖程度；根据计算的所述注意力权重，提取所述待处理图像的特征。与现有技术的区别在于，现有技术采用的是像素与像素之间的注意力机制，这种方式计算量较大，而且容易造成错误累计，使得提取到的特征准确度低，因此，本申请采用了特征块与像素，或者特征块与采样区域(也可以理解为块)的注意力机制，这种注意力机制与卷积计算构成互补，能极大降低计算量，同时可以避免因错误累计造成的准确度低的问题。

附图说明