图像特征选择方法、装置、设备及存储介质与流程

本申请涉及人工智能，尤其涉及一种图像特征选择方法、装置、设备及存储介质。

背景技术：

1、目前，图像识别已经成为了计算机视觉领域的一个热门话题。图像的特征作为图像的表征，其精准性对图像识别的准确性起着决定性作用。

2、相关技术中，通常采用卷积神经网络(convolutional neural network，cnn)来选择图像的特征。然而，cnn仅能提取图像的局部特征，选择提取的局部特征作为图像的特征，难以满足图像表征的精准性要求。

3、因此，如何提高图像特征选择的全面性，以满足图像表征的精准性要求，成为了亟待解决的技术问题。

技术实现思路

1、本申请实施例的主要目的在于提出一种图像特征选择方法、装置、设备及存储介质，旨在提高图像特征选择的全面性，以满足图像表征的精准性要求。

2、为实现上述目的，本申请实施例的第一方面提出了一种图像特征选择方法，所述方法包括：

3、获取目标图像；

4、对所述目标图像进行多层次特征提取处理，得到至少两个层次的初始特征，其中，任意两个层次的初始特征不相同；

5、对所述初始特征进行特征匹配处理，得到至少两个层次的匹配特征，其中，任意两个层次的匹配特征不相同；

6、对所述匹配特征进行融合处理，得到所述目标图像的全局特征；

7、根据所述全局特征获取所述目标图像的目标空间位置特征，以及，根据所述全局特征获取所述目标图像的目标通道特征；

8、对所述目标空间位置特征和所述目标通道特征进行融合处理，得到所述目标图像的目标特征。

9、在一些实施例，所述根据所述全局特征获取所述目标图像的目标空间位置特征，包括：

10、对所述全局特征进行通道维度的压缩处理，得到空间描述子；

11、根据所述空间描述子获取所述目标图像的第一全局压缩特征；

12、将所述第一全局压缩特征分别映射到至少两个层次进行嵌入处理，得到至少两个层次的子空间嵌入特征，其中，任意两个层次的子空间嵌入特征不相同；

13、根据所述第一全局压缩特征和所述子空间嵌入特征，获取至少两个层次的空间注意力权重；

14、根据所述空间注意力权重和所述匹配特征，获取所述目标空间位置特征。

15、在一些实施例，所述根据所述第一全局压缩特征和所述子空间嵌入特征，分别获取至少两个层次的空间注意力权重，包括：

16、计算所述第一全局压缩特征与所述子空间嵌入特征的第一相关程度系数；

17、根据所述第一相关程度系数，获取所述空间注意力权重。

18、在一些实施例，所述根据所述全局特征获取所述目标图像的目标空间位置特征，包括：

19、对所述全局特征进行空间维度的压缩处理，得到通道描述子；

20、根据所述通道描述子获取所述目标图像的第二全局压缩特征；

21、将所述第二全局压缩特征分别映射到至少两个层次进行嵌入处理，得到至少两个层次的通道特征图，其中，任意两个层次的通道特征图不相同；

22、根据所述第二全局压缩特征和所述通道特征图，获取至少两个层次的通道注意力权重；

23、根据所述通道注意力权重和所述匹配特征，获取所述目标通道特征。

24、在一些实施例，所述根据所述第二全局压缩特征和所述通道特征图，获取至少两个层次的通道注意力权重，包括：

25、计算所述第二全局压缩特征与所述通道特征图的第二相关程度系数；

26、根据所述第二相关程度系数，获取所述通道注意力权重。

27、在一些实施例，所述对所述初始特征进行特征匹配处理，得到至少两个层次的匹配特征，包括：

28、对所述初始特征进行上采样处理，得到至少两个层次的放大特征，其中，任意两个层次的放大特征不相同；

29、对所述放大特征进行特征通道匹配处理，得到所述匹配特征。

30、所述对所述目标图像进行多层次特征提取处理，得到至少两个层次的初始特征，包括；

31、将所述目标图像输入至预设的残差神经网络，通过所述残差神经网络的至少两个卷积层对所述目标图像进行多层次特征提取处理，得到所述初始特征。

32、在一些实施例，所述对所述目标空间位置特征和所述目标通道特征进行融合处理，得到所述目标图像的目标特征之后，包括：

33、根据所述目标特征，对所述目标图像进行分类。

34、为实现上述目的，本申请实施例的第二方面提出了一种图像特征选择装置，所述装置包括：

35、图像获取模块，用于获取目标图像；

36、提取模块，用于对所述目标图像进行多层次特征提取处理，得到至少两个层次的初始特征；

37、匹配模块，用于对所述初始特征进行特征匹配处理，得到至少两个层次的匹配特征；

38、融合模块，用于对所述匹配特征进行融合处理，得到所述目标图像的全局特征；

39、特征获取模块，用于根据所述全局特征获取所述目标图像的目标空间位置特征，以及，根据所述全局特征获取所述目标图像的目标通道特征；

40、特征融合模块，用于对所述目标空间位置特征和所述目标通道特征进行融合处理，得到所述目标图像的目标特征。

41、为实现上述目的，本申请实施例的第三方面提出了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

42、为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

43、本申请提出的图像特征选择方法、装置、设备及存储介质，该图像特征选择方法，获取目标图像；对目标图像进行多层次特征提取处理，得到至少两个层次的初始特征，其中，任意两个层次的初始特征不相同；对初始特征进行特征匹配处理，得到至少两个层次的匹配特征，其中，任意两个层次的匹配特征不相同；对匹配特征进行融合处理，得到目标图像的全局特征；根据全局特征获取目标图像的目标空间位置特征，以及，根据全局特征获取目标图像的目标通道特征；对目标空间位置特征和目标通道特征进行融合处理，得到目标图像的目标特征。这样，通过将不同层次的初始特征进行特征匹配处理及跨层融合处理，能够更有效地获得包含目标图像的重要信息的全局特征，再以全局特征为引导，分别从空间维度和通道维度，选取目标图像的目标空间位置特征和目标通道特征，实现了从空间维度和通道维度增强目标特征的表征能力，接着对空间位置特征和通道特进行融合得到目标特征，实现自适应地捕获不同层次的位置和通道之间的全局依赖关系，从而使得目标特征能够更好地反映目标图像的全局重要特性，实现为目标图像提供更全面、更丰富的图像表征，进而满足了图像表征的精准性要求，还能够提高图像特征选择的便捷性和效率。

技术特征：

1.一种图像特征选择方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述全局特征获取所述目标图像的目标空间位置特征，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一全局压缩特征和所述子空间嵌入特征，分别获取至少两个层次的空间注意力权重，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述全局特征获取所述目标图像的目标空间位置特征，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述第二全局压缩特征和所述通道特征图，获取至少两个层次的通道注意力权重，包括：

6.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行多层次特征提取处理，得到至少两个层次的初始特征，包括；

7.根据权利要求1所述的方法，其特征在于，所述对所述目标空间位置特征和所述目标通道特征进行融合处理，得到所述目标图像的目标特征之后，包括；

8.一种图像特征选择装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的图像特征选择方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的图像特征选择方法。

技术总结本申请实施例提供了一种图像特征选择方法、装置、设备及存储介质，属于人工智能技术领域。该方法包括：获取目标图像；对目标图像进行多层次特征提取处理，得到至少两个层次的初始特征，其中，任意两个层次的初始特征不相同；对初始特征进行特征匹配处理，得到至少两个层次的匹配特征，其中，任意两个层次的匹配特征不相同；对匹配特征进行融合处理，得到目标图像的全局特征；根据全局特征获取目标图像的目标空间位置特征，以及，根据全局特征获取目标图像的目标通道特征；对目标空间位置特征和目标通道特征进行融合处理，得到目标图像的目标特征。本申请实施例能够提高图像特征选择的全面性，以满足图像表征的精准性要求。技术研发人员：张兴,王伟,章晓炜,熊永平,肖立,姚敏森,王轩,吴宇琳,吴柯维,林涛,何晓罡,熊刚受保护的技术使用者：华润数字科技有限公司技术研发日：技术公布日：2024/11/4