CN114445664B 基于自适应动态卷积网络的图像分类识别方法、装置和计算机设备 （深圳市睿科兴科技有限公司）

基于自适应动态卷积网络的图像分类识别种基于自适应动态卷积网络的图像分类识别方后的得到的图形参数信息与待测图像相结合输入主干网络的自适应动态卷积网络中得到图像2获取待测图像，将所述待测图像输入到预处理块进行预处理其中，所述预处理块包括浅层特征提取块和一个多任务分类将待测图像的参数信息与原待测图像进行结合得到带有特征标注将图像数据输入到主干网络的自适应动态卷积网络中，按照对应的其中，所述自适应动态卷积网络包括多组动态卷将所述局部特征与所述全局特征进行特征融合，并将融2.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征3.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征4.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征圆公式以长方形卷积核的1/2长为椭圆形卷积核的半长轴，1/2宽为椭圆形卷积核的半短5.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征3其中，所述预处理块包括浅层特征提取块和一个多任务分类卷积匹配单元，用于将待测图像的参数信息与原待测图像进行其中，所述自适应动态卷积网络包括多组动态卷全局特征提取单元，用于将待测图像按照选择出的对应形状的局部特征提取单元，用于将所述浅层特征图输入到7.一种计算机设备，包括至少一个处理器；调用所述程序指令能够执行如权利要求1至54[0004]现有技术中，深度卷积神经网络的设计主要基于统一的5[0013]将所述局部特征与所述全局特征进行特征融合，并将融合特征输入到分类网络[0025](2)本发明提出了一种自适应动态卷积网络，可根据不同图像的类型选择不同形[0026](3)本发明提出了一种新颖的兼顾全局-局部信息的特征提取架构，通过整体+局6[0028]图2为本发明实施例提供一种基于自适应动态卷积网络的图像分类识别方法流程局部特征；将浅层特征同分类器处理后输入到主干动态卷积网络模型中提取出全局特征；将局部特征和全局特征进行融合后，可以通过两层全连接层输出待测图像的分类识别结[0042]多任务分类器由两个全连接层组成，主要作用是将残差网络提取的浅层特征(纹7[0043]102、将待测图像的参数信息与原待测图像进行结合得到带有特征标注的图像数形卷积核本实施例可以得到单个j的输出的浅层特征图0eRHXW:8[0061]因此在动态卷积核中的圆形卷积核的构造如下，将方形卷积经过双线性差值得椭圆形卷积四个角点的位置相对中心点的位置为其中由于中间的两[0066]在本发明实施例中，分支网络由2个自注意力机制Transformer结构块和2个用如下公式得到:[0069]i表示字符编码的位置，通过将切分得到的字节与位置编码相融合便得到输入部9[0072]右边部分为解码器，结构由两个多头注意力机制和一个前馈神经网络组组成。SEnet结构，结构如图3所示。而本发明实施例中之所以选择MBConv，是因为MBConv与4倍，然后将之映射回原来的通道大小，这样可以使用残差连接，除了使用了“inverted[0082]最后选择C-C-T-T模式，即选择两个MBConv模块后接入Rel-Attention模块和FFN员可以根据本发明的整体实施例和附图进行适应[0087]其中，本发明所采用的数据集为ImageNet数据集，该数据集Image所述处理器调用所述程序指令能够执行一种基于自适应动态卷积网络的图像分类识别方关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通