本發(fā)明涉及人工智能領(lǐng)域，特別是涉及一種基于可變形卷積層的特征圖像提取的方法及裝置。

背景技術(shù)：

隨著科技不斷的進(jìn)步，近幾年深度學(xué)習(xí)得到了長遠(yuǎn)的發(fā)展。目前最熱門的技術(shù)是卷積神經(jīng)網(wǎng)絡(luò)，并且基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢測已經(jīng)成為國防軍事、社會安全、公共交通、商業(yè)應(yīng)用等各個領(lǐng)域的基礎(chǔ)性研究課題。迄今為止，最好的圖像檢測技術(shù)都是使用卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的。

在進(jìn)行圖像檢測的過程中，同一個物體在圖像中可能呈現(xiàn)不同的大小、姿態(tài)、視角變化甚至是剛性形變，獲取的圖像中對于同一物體會發(fā)生形變。當(dāng)圖像發(fā)生形變時，在現(xiàn)有技術(shù)中，通常的做法是依靠數(shù)據(jù)本身的多樣性，即事先存儲有同一物體在不同遠(yuǎn)近，不同姿態(tài)，甚至是不同光線下該物體的特征圖像?，F(xiàn)有技術(shù)中，通常是依靠數(shù)據(jù)的多樣性來提高在圖像檢測時的精度以及魯棒性。

但是在現(xiàn)有技術(shù)中，對于發(fā)生形變的物體需要存儲有大量與該物體相關(guān)的特征圖像，會使得數(shù)據(jù)量非常大，不方便存儲，并且在進(jìn)行特征圖像的對比時會花費(fèi)大量的時間?，F(xiàn)有的卷積網(wǎng)絡(luò)架構(gòu)中，無法根據(jù)圖像的內(nèi)容自適應(yīng)的調(diào)整卷積核的感受野，從而會限制對于發(fā)生形變的物體的識別精度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于可變形卷積層的特征圖像提取的方法，可以有效提高圖像識別的精度；本發(fā)明的另一目的在于提供一種基于可變形卷積層的特征圖像提取的裝置，可以有效提高圖像識別的精度。

為解決上述技術(shù)問題，本發(fā)明提供一種基于可變形卷積層的特征圖像提取的方法，所述方法包括：

獲取目標(biāo)圖像；

通過卷積層中卷積核的采樣點從所述目標(biāo)圖像中提取像素值以得到特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值。

可選的，所述卷積核所提取的像素值為：其中，y(s0)是所述特征圖像中位置是s0的像素值；w(sn)是所述卷積核在所述目標(biāo)圖像對應(yīng)位置進(jìn)行卷積運(yùn)算的權(quán)值；sn是所述采樣點在所述卷積核中的位置；x(s0+sn+δsn)是所述目標(biāo)圖像對應(yīng)位置的像素值；δsn是所述偏移變量。

可選的，所述通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像包括：

通過所述采樣點從所述目標(biāo)圖像對應(yīng)于所述采樣點相鄰的像素點中，根據(jù)雙線性插值提取像素值，以得到所述特征圖像。

可選的，所述偏移變量為取整后的偏移變量。

可選的，所述偏移變量為預(yù)先通過梯度反向傳播進(jìn)行訓(xùn)練的偏移變量。

本發(fā)明還提供了一種基于可變形卷積神經(jīng)網(wǎng)絡(luò)的特征圖像提取的裝置，所述裝置包括：

獲取模塊：用于獲取目標(biāo)圖像；

提取模塊：同于通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值。

可選的，所述提取模塊具體用于：

通過卷積層中卷積核的采樣點從所述目標(biāo)圖像中提取像素值以得到特征圖像，所述卷積核所提取的像素值為：其中，y(s0)是所述特征圖像中位置是s0的像素值；w(sn)是所述卷積核在所述目標(biāo)圖像對應(yīng)位置進(jìn)行卷積運(yùn)算的權(quán)值；sn是所述采樣點在所述卷積核中的位置；x(s0+sn+δsn)是所述目標(biāo)圖像對應(yīng)位置的像素值；δsn是所述偏移變量。

可選的，所述提取模塊具體用于：

通過所述采樣點從所述目標(biāo)圖像對應(yīng)于所述采樣點相鄰的像素點中，根據(jù)雙線性插值提取像素值，以得到所述特征圖像。

可選的，所述提取模塊具體用于：

通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值，所述偏移變量為取整后的偏移變量。

可選的，所述提取模塊具體用于：

通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值，所述偏移變量為預(yù)先通過梯度反向傳播進(jìn)行訓(xùn)練的偏移變量。

本發(fā)明所提供的一種基于可變形卷積層的特征圖像提取的方法，可以對卷積核中每個采樣點增加一個偏移變量，從而使得卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了學(xué)習(xí)圖像空間幾何形變的能力，可以使得卷積核在當(dāng)前位置附近隨意采樣，增加了卷積層在提取特征圖像時對于發(fā)生了形變的圖像的適應(yīng)性，即可以根據(jù)目標(biāo)圖像的內(nèi)容自適應(yīng)的調(diào)整卷積核的感受野，從而會增加了對于發(fā)生形變的物體的識別精度。本發(fā)明還提供了一種基于可變形卷積神經(jīng)網(wǎng)絡(luò)的特征圖像提取的裝置，同樣具有上述有益效果，在此不再進(jìn)行贅述。

附圖說明

為了更清楚的說明本發(fā)明實施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例所提供的第一種特征圖像提取方法的流程圖；

圖2為現(xiàn)有技術(shù)中采樣點的分布示意圖；

圖3為本發(fā)明實施例中采樣點的分布示意圖；

圖4為本發(fā)明實施例所提供的第二種特征圖像提取方法的流程圖；

圖5為雙線性插值的示意圖；

圖6為本發(fā)明實施例提供的特征圖像提取裝置的結(jié)構(gòu)框圖。

具體實施方式

本發(fā)明的核心是提供一種基于可變形卷積層的特征圖像提取的方法。在現(xiàn)有技術(shù)中所使用的網(wǎng)絡(luò)架構(gòu)，通常是沿用了二十年的基本網(wǎng)絡(luò)架構(gòu)，在獲取到的目標(biāo)圖像之后，會對目標(biāo)圖像進(jìn)行基于規(guī)則格點位置采樣，然后對于采樣到的圖像值做卷積處理，并將得到的像素值作為圖標(biāo)圖像中該位置的輸出。

使用數(shù)學(xué)表達(dá)式表示卷積運(yùn)算：

yl＝wlxl+bl

其中l(wèi)是卷積層索引，即表示為第l個卷積層；x是目標(biāo)圖像中的卷繼區(qū)域，其大小通常設(shè)定為k×k的c通道的像素，當(dāng)然，卷積區(qū)域的長和寬也可以不一致，視具體情況而定；w是卷積權(quán)重，其形狀是d×k×k×c的權(quán)值矩陣，d是濾波器數(shù)量。

從模型的角度分析，由于卷積核有固定的幾個形狀，而卷積操作也有固定的幾何結(jié)構(gòu)，所以由其層疊搭建而成的卷積神經(jīng)網(wǎng)絡(luò)的幾何結(jié)構(gòu)也是固定的，其不具有對于發(fā)生形變的圖像的建模能力。

而為了使得卷積神經(jīng)網(wǎng)絡(luò)可以識別出同一物體在不同條件下以及經(jīng)過不同程度的變形后的該物體，通常是是依靠數(shù)據(jù)本身的多樣性，即事先存儲有同一物體在不同遠(yuǎn)近，不同姿態(tài)，甚至是不同光線下該物體的特征圖像。現(xiàn)有技術(shù)中，通常是依靠數(shù)據(jù)的多樣性來提高在圖像檢測時的精度以及魯棒性。

但是在現(xiàn)有技術(shù)中，對于發(fā)生形變的物體需要存儲有大量與該物體相關(guān)的特征圖像，會使得數(shù)據(jù)量非常大，不方便存儲，并且在進(jìn)行特征圖像的對比時會花費(fèi)大量的時間?，F(xiàn)有的卷積網(wǎng)絡(luò)架構(gòu)中，無法根據(jù)圖像的內(nèi)容自適應(yīng)的調(diào)整卷積核的感受野，即卷積核的形狀，從而會限制對于發(fā)生形變的物體的識別精度。

而本發(fā)明實施例所提供的一種基于可變形卷積層的特征圖像提取的方法，可以對卷積核中每個采樣點增加一個偏移變量，從而使得卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了學(xué)習(xí)圖像空間幾何形變的能力，可以使得卷積核在當(dāng)前位置附近隨意采樣，增加了卷積層在提取特征圖像時對于發(fā)生了形變的圖像的適應(yīng)性，即可以根據(jù)目標(biāo)圖像的內(nèi)容自適應(yīng)的調(diào)整卷積核的感受野，從而會增加了對于發(fā)生形變的物體的識別精度。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實施方式對本發(fā)明作進(jìn)一步的詳細(xì)說明。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

請參考圖1，圖2和圖3；圖1為本發(fā)明實施例所提供的第一種特征圖像提取方法的流程圖；圖2為現(xiàn)有技術(shù)中采樣點的分布示意圖；圖3為本發(fā)明實施例中采樣點的分布示意圖。

在本發(fā)明實施例中，所述方法包括：

s101：獲取目標(biāo)圖像。

在本步驟中，獲取目標(biāo)圖像的方式有很多種，例如通過攝像模組來直接獲取所述目標(biāo)圖像，也可以通過由其它設(shè)備傳輸過來的目標(biāo)圖像，在此不做具體限定。

在本發(fā)明實施例中，所述目標(biāo)圖像不僅僅限于通過外接設(shè)備獲取的包括目標(biāo)物體的原圖像，還可以是已經(jīng)經(jīng)過其他卷積層提取過后輸出的特征圖像。由于在現(xiàn)階段卷積神經(jīng)網(wǎng)絡(luò)中，通常是經(jīng)過多個卷積層來對所述原圖像進(jìn)行提取，在經(jīng)過多個卷積層依次進(jìn)行層層提取之后，得到最終的特征圖像。而本發(fā)明實施例中，經(jīng)過添加偏移變量的卷積核所在的卷積層不僅限于作為第一層卷積層對原圖像進(jìn)行提取，而是可以作為任意一層卷積層對目標(biāo)圖像進(jìn)行提取。其中目標(biāo)圖像不僅僅限于通過外接設(shè)備獲取的包括目標(biāo)物體的原圖像，還可以是已經(jīng)經(jīng)過其他卷積層提取過后輸出的特征圖像。

更進(jìn)一步的，整個卷積神經(jīng)網(wǎng)絡(luò)中各個卷積層中都可以是下述本發(fā)明實施例中的卷積層，當(dāng)然也可以在整個卷積神經(jīng)網(wǎng)絡(luò)中只使用一層或幾層，視具體的情況而定，在此不做具體限定。

s102：通過卷積層中卷積核的采樣點從目標(biāo)圖像中提取像素值以得到特征圖像。

在本發(fā)明實施例中，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值。

請參考圖2，在使用普通的卷積神經(jīng)網(wǎng)絡(luò)提取特征圖像中，一般分為兩步，第一步是在目標(biāo)圖像中使用如圖2所示的規(guī)則采樣點進(jìn)行采樣；第二步是對采樣得到的圖像值做卷積并輸出該位置的像素值。通過不斷循環(huán)上述兩個步驟來得到最終的特征圖像。

其中，規(guī)則采樣點決定了感受野的大小，感受野越大，卷積神經(jīng)網(wǎng)絡(luò)中卷積核每次看到的圖像區(qū)域也就越大。如圖2所示，該卷積核大小為3×3，有9個采樣點。

相應(yīng)的，上述卷積核在提取像素值時所用到的公式通常是：

其中，y(s0)是所述特征圖像中位置是s0的像素值；w(sn)是所述卷積核在所述目標(biāo)圖像對應(yīng)位置進(jìn)行卷積運(yùn)算的權(quán)值；sn是所述采樣點在所述卷積核中的位置；x(s0+sn)是所述目標(biāo)圖像對應(yīng)位置的像素值。

請參考圖3，在本發(fā)明實施例中，對于每個采樣點，均增加了一個偏移變量δsn，此時采樣點的分布不在規(guī)則，即卷積核的形狀就不再是規(guī)則的了，從而感受野的大小與形狀也不再規(guī)則。此時采樣點的位置從原來的sn變成了sn+δsn，實際效果請參考圖3。

相應(yīng)的，在本發(fā)明實施例中，卷積核所提取的像素值為：

其中，y(s0)是所述特征圖像中位置是s0的像素值；w(sn)是所述卷積核在所述目標(biāo)圖像對應(yīng)位置進(jìn)行卷積運(yùn)算的權(quán)值；sn是所述采樣點在所述卷積核中的位置；x(s0+sn+δsn)是所述目標(biāo)圖像對應(yīng)位置的像素值；δsn是所述偏移變量。

在增加了偏移變量δsn之后，整個卷積神經(jīng)網(wǎng)絡(luò)擁有了適應(yīng)圖像形變的能力，其中偏移變量δsn還可以是整個卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的一部分。而為了將卷積神經(jīng)網(wǎng)絡(luò)擁有學(xué)習(xí)圖像空間幾何形變的能力，可以通過梯度反向傳播來訓(xùn)練所述偏移變量δsn。

在進(jìn)行梯度反向傳播來訓(xùn)練參數(shù)時，需要用到梯度下降算法。常用的梯度下降算法有批量梯度下降，隨機(jī)梯度下降，小批量梯度下降等等，在本發(fā)明實施例中，所用的梯度下降算法為隨機(jī)梯度下降。當(dāng)然也可以使用其他的梯度下降算法，視具體的情況而定，在此不做具體限定。

在所述梯度下降算法中，設(shè)定代價函數(shù)：

而上述代價函數(shù)的梯度為：

在得到上述代價函數(shù)的梯度之后，就可以通過下式更新卷積層中的參數(shù)θ：

θj＝θj-η·▽θj(θ；x⁽ⁱ⁾,y⁽ⁱ⁾)；

在上述3個公式中，j(θ)是代價函數(shù)，hθ(xⁱ)是卷積神經(jīng)網(wǎng)絡(luò)的輸出，xⁱ和yⁱ是所述輸出的樣本值與標(biāo)簽值。

本發(fā)明實施例所提供的一種基于可變形卷積層的特征圖像提取的方法，可以對卷積核中每個采樣點增加一個偏移變量，從而使得卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了學(xué)習(xí)圖像空間幾何形變的能力，可以使得卷積核在當(dāng)前位置附近隨意采樣，增加了卷積層在提取特征圖像時對于發(fā)生了形變的圖像的適應(yīng)性，即可以根據(jù)目標(biāo)圖像的內(nèi)容自適應(yīng)的調(diào)整卷積核的感受野，從而會增加了對于發(fā)生形變的物體的識別精度。

在本發(fā)明中，由于偏移變量δsn是一個高精度的小數(shù)，在添加完偏移變量δsn之后，采樣點通常不會落在上述目標(biāo)圖像中各個像素點上，此時需要相應(yīng)的計算像素值的算法來計算各個采樣點所提取的像素值。詳細(xì)情況將在下述實施例中做詳細(xì)描述。

請參考圖4和圖5，圖4為本發(fā)明實施例所提供第二種特征圖像提取方法的流程圖；圖5為雙線性插值的示意圖。

請參考圖4，本發(fā)明實施例所述的方法包括：

s201：獲取目標(biāo)圖像。

本步驟與上述實施例中s101相同，具體情況以在上述實施例中做詳細(xì)描述，在此不再進(jìn)行贅述。

s202：通過采樣點從目標(biāo)圖像對應(yīng)于采樣點相鄰的像素點中，根據(jù)雙線性插值提取像素值，以得到特征圖像。

在本發(fā)明實施例中，提供兩種計算像素值的方法，第一種是直接將所述偏移變量δsn取整，使得采樣點可以落在上述目標(biāo)圖像的像素點上，之后就可以計算該點的像素值。但是直接取整的話會造成較大的誤差，并且該誤差會在迭代的時候不斷的積累，最終會影響整個卷積神經(jīng)網(wǎng)絡(luò)的識別精度。但是該方法不需要額外的計算步驟，所以運(yùn)算起來比較快速。

在本步驟中，著重介紹第二種計算像素值的方法，即根據(jù)雙線性插值提取像素值。

先介紹線性插值，假設(shè)已知兩點的數(shù)據(jù)分別是(x0,y0),(x1,y1)，計算出某一位置x∈(x0,x1)的y，有以下公式進(jìn)行計算：

即：

上述的公式可以簡化成y＝αy0+βy1，權(quán)重就是x分別到x0,x1的距離，用于對y0,y1進(jìn)行加權(quán)。

請參考圖5，雙線性插值本質(zhì)上就是在兩個方向上進(jìn)行線性插值。

假設(shè)已知函數(shù)f在p11(x1,y1)、p12(x1,y2)、p21(x2,y1)和p22(x2,y2)四個坐標(biāo)點的值，這里可以看成是已知四個像素點的像素值?，F(xiàn)在是要求出s(x,y)的像素值，就有如下公式：

其中f(a1)是a1(x,y1)的像素值；f(a2)是a2(x,y2)的像素值。然后在y方向上進(jìn)行插值，就得到：

綜合上述公式，可以得到最終雙線性插值的公式：

將上述雙線性插值結(jié)合到我發(fā)明實施例中，由于目標(biāo)圖像中取樣點只會相鄰4個像素點，所以上述公式中分母為1。

設(shè)x(s)＝x(s0+sn+δsn)，則可以得到下述公式：

g(q,s)＝g(qx,sx)·g(qy,sy)；

其中，q是本發(fā)明實施例中輸入的目標(biāo)圖像的坐標(biāo)值；sx是采樣點s的橫坐標(biāo)；sy是采樣點s的縱坐標(biāo)；g(q,s)是雙線性插值的核函數(shù)。

利用梯度反向傳播學(xué)習(xí)偏移變量δsn可以表示為：

其中，y(s0)是所述特征圖像中位置是s0的像素值；w(sn)是所述卷積核在所述目標(biāo)圖像對應(yīng)位置進(jìn)行卷積運(yùn)算的權(quán)值；sn是所述采樣點在所述卷積核中的位置；x(s0+sn+δsn)是所述目標(biāo)圖像對應(yīng)位置的像素值；δsn是所述偏移變量；x(q)是目標(biāo)圖像中對應(yīng)像素點的像素值；g(q,s0+sn+δsn)是雙線性插值的核函數(shù)。

在本發(fā)明中，還可以通過其他的方法來計算像素值，在此不做具體限定。

本發(fā)明實施例所提供的一種基于可變形卷積層的特征圖像提取的方法，可以通過雙線性插值的方法精確的得到采樣點所處位置的像素值，從而進(jìn)一步的提高卷積神經(jīng)網(wǎng)絡(luò)的圖像識別精度。并且給出學(xué)習(xí)所述偏移變量δsn的方法，使得卷積神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)圖像空間幾何形變的能力，可以根據(jù)目標(biāo)圖像的內(nèi)容自適應(yīng)的調(diào)整卷積核的感受野，從而提高對于發(fā)生形變的圖像的識別精度。

下面對本發(fā)明實施例提供的一種基于可變形卷積神經(jīng)網(wǎng)絡(luò)的特征圖像提取的裝置進(jìn)行介紹，下文描述的特征圖像提取裝置與上文描述的特征圖像提取方法可相互對應(yīng)參照。

圖6為本發(fā)明實施例提供的特征圖像提取裝置的結(jié)構(gòu)框圖，參照圖6特征圖像提取裝置可以包括：

獲取模塊100：用于獲取目標(biāo)圖像；

提取模塊200：同于通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值。

在本發(fā)明實施例中，所述提取模塊200可以具體用于：

通過卷積層中卷積核的采樣點從所述目標(biāo)圖像中提取像素值以得到特征圖像，所述卷積核所提取的像素值為：其中，y(s0)是所述特征圖像中位置是s0的像素值；w(sn)是所述卷積核在所述目標(biāo)圖像對應(yīng)位置進(jìn)行卷積運(yùn)算的權(quán)值；sn是所述采樣點在所述卷積核中的位置；x(s0+sn+δsn)是所述目標(biāo)圖像對應(yīng)位置的像素值；δsn是所述偏移變量。

在本發(fā)明實施例中，所述提取模塊200可以具體用于：

通過所述采樣點從所述目標(biāo)圖像對應(yīng)于所述采樣點相鄰的像素點中，根據(jù)雙線性插值提取像素值，以得到所述特征圖像。

在本發(fā)明實施例中，所述提取模塊200可以具體用于：

通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值，所述偏移變量為取整后的偏移變量。

在本發(fā)明實施例中，所述提取模塊200可以具體用于：

通過可變形卷積層的采樣點從所述目標(biāo)圖像中提取特征圖像，所述采樣點的實際坐標(biāo)值是根據(jù)預(yù)先設(shè)置的初始坐標(biāo)值和預(yù)先訓(xùn)練的偏移變量計算得到的所述實際坐標(biāo)值，所述偏移變量為預(yù)先通過梯度反向傳播進(jìn)行訓(xùn)練的偏移變量。

本實施例的特征圖像提取裝置用于實現(xiàn)前述的特征圖像提取方法，因此特征圖像提取裝置中的具體實施方式可見前文中的特征圖像提取方法的實施例部分，例如，獲取模塊100，提取模塊200，分別用于實現(xiàn)上述特征圖像提取方法中步驟s101，和s102，所以，其具體實施方式可以參照相應(yīng)的各個部分實施例的描述，在此不再贅述。

本說明書中各個實施例采用遞進(jìn)的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進(jìn)一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機(jī)軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實施。軟件模塊可以置于隨機(jī)存儲器(ram)、內(nèi)存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

以上對本發(fā)明所提供的一種基于可變形卷積神經(jīng)網(wǎng)絡(luò)的特征圖像提取的方法以及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。