图像特征提取方法、装置、设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及计算机视觉和深度学习等人工智能领域，具体涉及一种图像特征提取方法、装置、设备及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

基于人工智能技术进行图像处理时，为了提高图像处理结果精度，通常需要首先对待处理图像进行特征提取。现有技术在进行图像特征提取时，存在所提取特征精度不够的问题，给后续的图像处理结果带来一定影响。

发明内容

本申请提供了一种图像特征提取精度更好的图像特征提取方法、装置、设备及存储介质。

根据本申请的一方面，提供了一种图像特征提取方法，包括：

对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到所述当前切分特征的目标提取特征和待传递特征；其中，所述当前切分特征的待传递特征用于更新位于所述当前切分特征之后的后续切分特征，以及确定所述后续切分特征的目标提取特征；

根据所述至少两个切分特征的目标提取特征，得到所述待处理图像的特征提取结果。

根据本申请的另一方面，还提供了一种图像特征提取装置，包括：

切分处理模块，用于对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到所述当前切分特征的目标提取特征和待传递特征；其中，所述当前切分特征的待传递特征用于更新位于所述当前切分特征之后的后续切分特征，以及确定所述后续切分特征的目标提取特征；

特征提取结果得到模块，用于根据所述至少两个切分特征的目标提取特征，得到所述待处理图像的特征提取结果。

根据本申请的另一方面，还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任意一种图像特征提取方法。

根据本申请的另一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请实施例提供的任意一种图像特征提取方法。

根据本申请的技术方案，提高了图像特征提取精度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的一种图像特征提取方法的流程图；

图2是本申请实施例提供的另一种图像特征提取方法的流程图；

图3A是本申请实施例提供的另一种图像特征提取方法的流程图；

图3B是本申请实施例提供的一种即插即用的神经网络模型的结构示意图；

图4是本申请实施例提供的一种图像特征提取装置的结构图；

图5是用来实现本申请实施例的图像特征提取方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本申请实施例所提供的各图像特征提取方法和图像特征提取装置，适用于在对图像进行分类、目标检测、目标追踪或目标分割等处理过程中，进行图像特征提取的情况。本申请实施例所提供的各图像特征提取方法，可以由图像特征提取装置执行，该图像特征提取装置采用软件和/或硬件实现，并具体配置于电子设备中。

参见图1所示的一种图像特征提取方法，包括：

S101、对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征；其中，当前切分特征的待传递特征用于更新位于当前切分特征之后的后续切分特征，以及确定后续切分特征的目标提取特征。

其中，待处理图像可以是通过图像采集装置所获取的图像数据，还可以是对视频数据进行抽帧处理后得到的图片帧。

可选的，可以将待处理图像预先存储在电子设备本地、与电子设备关联的其他存储设备或云端，并在需要对待处理图像进行特征提取时，根据待处理图像的标识信息进行待处理图像的查找获取，并根据待处理图像进行切分特征的确定。

为了减少对待处理图像进行图像特征提取过程的数据运算量，可选的，还可以将待处理图像关联的至少两个切分特征预先存储在电子设备本地、与电子设备关联的其他存储设备或云端，并在需要对待处理图像进行特征提取时，根据待处理图像的标识信息进行切分特征的查找获取。

示例性地，待处理图像关联的切分特征，可以是采用以下方式加以确定：根据待处理图像的通道数量，对待处理图像进行切分处理，并对至少两个切分结果进行特征提取后，得到相应的至少两个切分特征。

示例性地，待处理图像关联的切分特征，还可以采用以下方式加以确定：对待处理图像进行特征提取，并根据待处理图像的通道数量，对特征提取结果进行切分处理，得到至少两个切分特征。

其中，当前切分特征，可以理解为在至少两个切分特征中进行切分处理操作的切分特征。

在一个可选实施例中，对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征，可以是：对待处理图像关联的至少两个切分特征中的当前切分特征，进行随机切分处理，得到当前切分特征的目标提取特征和待传递特征。

为了实现对将图像特征提取过程的模块集成化，同时实现集成化模块的灵活使用，在另一可选实施例中，对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征，还可以是：根据切分宽度和/或切分尺度，结合待处理根据待处理图像的通道数量，对特征提取结果进行切分处理，得到至少两个切分特征。其中，切分宽度可以理解为得到的各切分特征对应的通道数量；切分尺度可以理解为最终得到的切分特征的数量。其中，切分宽度和/或切分尺度可以由技术人员根据需要灵活设置。

为了实现对图像特征提取过程的模块集成化，并弱化所集成的特征提取模块中人为构建的痕迹，同时便于后续对目标提取特征和待传递特征进行处理，在又一可选实施例中，对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征，还可以是：对待处理图像关联的至少两个切分特征中的当前切分特征进行均匀切分处理，得到当前切分特征的目标提取特征和待传递特征。

可选的，对当前切分特征进行切分处理后，将部分切分结果作为目标提取特征，将除目标提取特征以外的切分结果中的至少部分，作为待传递特征。其中，切分结果的数量为至少两个。在一实施例中，目标提取特征和待传递特征可以从各切分结果中随机选取，还可以根据设定规则选取。其中，设定规则可以是根据切分结果在当前切分特征中的通道排列顺序，进行目标提取特征和/或待传递特征的顺序选取。

其中，当前切分特征的目标提取特征的数量为至少一个。可以理解的是，为了便于后续进行待处理图像的特征提取结果的计算，通常，当前切分特征的目标提取特征的数量为1。

其中，当前切分特征的待传递特征的数量为至少一个。可以理解的是，待传递特征的数量可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。例如，当前切分特征的待传递特征的数量可以设置为1。

在一实施例中，当前切分特征待传递特征用于更新位于当前切分特征之后的后续切分特征，以及确定后续切分特征的目标提取特征。

其中，后续切分特征可以理解为通道顺序位于当前切分特征之后的切分特征。其中，后续切分特征的数量可以为至少一个，也即当前切分特征的待传递特征可以更新位于当前切分特征之后的至少一个后续切分特征。

为了便于对待处理图像中的至少一个切分特征的更新操作，典型是将位于当前切分特征之后，且与当前切分特征相邻的切分特征作为后续切分特征。

具体的，对当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征；根据当前切分特征的待传递特征更新当前切分特征之后的后续切分特征，并将后续切分特征作为新的当前切分特征，返回执行切分处理操作，循环往复，从而得到各切分特征的目标提取特征。

S102、根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果。

可选的，根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果，可以是：根据至少两个切分特征的目标提取特征和/或待传递特征，得到待处理图像的特征提取结果。

为了兼顾特征提取结果的准确度以及数据运算量，可选的，根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果，还可以是：根据至少两个切分特征的目标提取结果，以及在尾的切分特征的待传递特征，得到待处理图像的特征提取结果。

本申请实施例通过引入当前切分特征的待传递特征，更新当前切分特征之后的后续切分特征，辅助确定后续切分特征的目标提取特征，实现了通道间的信息传递，从而丰富了后续切分特征的感受野，提高了后续切分特征中目标提取特征的信息量，进而提高了待处理图像的特征提取结果的特征提取精度。同时，通过引入当前切分特征的目标提取特征，实现了特征重复利用，从而提高了待处理图像的特征提取结果的特征提取精度。

在上述各技术方案的基础上，为了减少对各切分特征的目标提取特征确定时的数据运算量，还可以在确定待处理图像关联的切分特征过程中，进行数据降维处理。

示例性地，在所述对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理之前，还可以对待处理图像进行降维处理，得到待处理特征；根据待处理特征的通道数量，对待处理特征进行切分处理，得到至少两个切分特征。其中，切分处理中的切分宽度和切分尺度可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。示例性地，切分处理可以是均匀切分处理，也即各切分特征的切分宽度相同。

由于待处理图像的切分特征与待处理图像的维度，也即通道数量不同，为了保证最终确定的待处理图像的特征提取结果与待处理图像的纬度相同，在确定待处理图像的特征提取结果时，还需要进行数据升维处理。

示例性地，根据所述至少两个切分特征的目标提取特征，得到所述待处理图像的特征提取结果，可以是：对所述至少两个切分特征的目标提取特征进行升维处理，得到所述待处理图像的特征提取结果。

为了解决图像特征提取过程中的梯度发散问题，在一可选实施例中，在根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果之后，还可以对特征提取结果加以修正，也即：根据待处理图像，更新待处理图像的特征提取结果。

示例性地，可以采用直连(shortcut)结构对待处理图像进行处理，得到待融合特征；将待融合特征与待处理图像的特征提取结果进行特征融合，以更新待处理图像的特征提取结果。

可选的，采用直连结构对待处理图像进行处理，得到待融合特征，可以是直接将待处理图像作为待融合特征；或者可选的，采用设定卷积核对待处理图像进行特征提取，得到待融合特征；或者可选的，采用设定池化函数对待处理图像进行下采样；通过设定卷积核对下采样结果进行上采样，得到待融合特征。其中，设定卷积核和/或设定池化函数可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。例如，设定卷积核可以采用1*1卷积，设定池化函数可以采用平均池化函数。

需要说明的是，具体采用何种直连结构进行待融合特征的确定，可以在集成化的特征提取模型(如神经网络模型)的训练阶段，通过大量试验反复确定。

在上述各技术方案的基础上，还可以在操作“对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理”之前，追加“根据位于当前切分特征之前的前续切分特征的待传递特征，更新当前切分特征”，以实现对当前切分特征的更新操作，从而实现前续切分特征向当前切分特征的传递。

参见图2所示的一种图像特征提取方法，包括：

S201、针对待处理图像关联的至少两个切分特征中的当前切分特征，根据位于当前切分特征之前的前续切分特征的待传递特征，更新当前切分特征。

其中，前续切分特征可以是位于当前切分特征之前的至少一个切分特征，相应的，通过各前续切分特征的待传递特征对当前切分特征进行更新。

为了简化待处理图像的图像特征提取过程的数据运算量，典型是将前续切分特征设置为位于当前切分特征之前的与当前切分特征相邻的切分特征。也即，对位于当前切分特征之前且与当前切分特征相邻的前序切分特征的待传递特征，进行特征提取，得到目标传递特征；根据目标传递特征，更新当前切分特征。

其中，前续切分特征的待传递特征的数量为至少一个，从而能够在当前切分特征中根据需要引入不同通道的特征数据。

当前续切分特征的待传递特征的数量为至少两个时，为了丰富目标传递特征中的感受野尺寸，进而增加当前切分特征中的感受野大小，在一可选实施例中，对位于当前切分特征之前且与当前切分特征相邻的前续切分特征的待传递特征，进行特征提取，得到目标传递特征，可以是：分别对位于当前切分特征之前且与当前切分特征相邻的前续切分特征的各待传递特征进行卷积处理，得到目标传递特征；其中，卷积处理所采用的卷积核的尺寸不同。

需要说明的是，待处理图像中不同切分特征对应的待传递特征的数量可以相同或不同，所采用的卷积核尺寸可以相同或不同。

在一可选实施例中，根据目标传递特征，更新当前切分特征，可以是：将目标传递特征与当前切分特征进行特征整合，以更新当前切分特征。

可以理解的是，通过将前续切分特征的目标传递特征和当前切分特征进行特征整合，得到更新后的当前切分特征，使得更新后的当前切分特征中包含有不同尺度下不同通道的信息，加强了通道间的信息交流，从而增加了后续所确定的目标提取特征中的非线性因素，为最终待处理图像的特征提取结果的全面性奠定了基础，进而提高了特征提取结果的精度。

示例性地，可以采用设定卷积核对目标传递特征和当前切分特征进行特征整合，其中，设定卷积核的尺寸可以由技术人员根据需要或经验值进行确定，还可以通过大量试验反复确定。例如，设定卷积核可以为1×1卷积。

S202、对当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征；其中，当前切分特征的待传递特征用于更新位于当前切分特征之后的后续切分特征，以及确定后续切分特征的目标提取特征。

具体的，对当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征；根据当前切分特征的待传递特征更新当前切分特征之后的后续切分特征，并将后续切分特征作为新的当前切分特征，返回执行切分处理操作，循环往复，从而得到各切分特征的目标提取特征。

由于在尾的切分特征并不存在后续切分特征，因此当在尾的切分特征的待传递特征之后，无法进行后续切分特征的更新以及后续切分特征的目标提取特征的确定，后续可以根据将在尾的切分特征的待传递特征和待处理图像关联的各切分特征的目标提取特征，进行待处理图像的特征提取结果的确定。

然而，由于在尾的切分特征的待传递特征已丧失自身特征传递功能，因此，仍然采用对除在尾的切分特征以外的其他切分特征相同的方式对在尾的切分特征进行处理，将会带来计算资源的浪费。为了避免上述情况的发生，当在尾的切分特征为当前切分特征，也即当前切分特征不存在后续切分特征时，无需进行切分处理，直接进行当前切分特征的目标提取特征的确定。

示例性地，若所述当前切分特征不存在后续切分特征，则所述对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到所述当前切分特征的目标提取特征和待传递特征，可以是：对当前切分特征进行特征提取，得到当前切分特征的目标提取特征。

可选的，可以直接采用设定卷积核对当前切分特征(在尾的切分特征)进行特征提取，得到当前切分特征的目标提取特征。其中，设定卷积核可以由技术人员根据需要或经验值进行确定，或通过大量试验反复确定。需要说明的是，此处涉及的设定卷积核与前文涉及的设定卷积核类别可以相同或不同，卷积核尺寸可以相同或不同。

S203、根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果。

示例性地，将至少两个切分特征的目标提取特征进行特征整合，将整合后的特征作为待处理图像的特征提取结果。

本申请实施例通过在对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理之前，追加根据位于当前切分特征之前的前序切分特征的待传递特征，更新当前切分特征，以完善对当前切分特征的更新操作，从而使当前切分特征中引入了前续切分特征的待传递特征，用于辅助进行当前切分特征的目标提取特征的确定，实现了通道间的信息的交流，从而丰富了后续切分特征的感受野，提高了后续切分特征中目标提取特征的信息量，进而提高了待处理图像的特征提取结果的特征提取精度。

在上述各技术方案的基础上，在本申请的一个可选实施例中，提供了进行图像特征提取的优选实施方式。

参见图3A所示的一种图像特征提取方法，包括：

S301、对待处理图像进行降维处理，得到待处理特征，并对待处理特征进行切分处理，得到至少两个切分特征。

参见图3B所示的一种即插即用的神经网络模型的结构示意图，进行详细说明。

其中，降维处理可以采用1*1卷积实现，得到待处理特征。其中，切分处理可以有技术人员根据需要对切分宽度和切分尺度进行设置。图3B将切分尺度设置为4进行示例性说明，得到切分特征X

S302、顺序获取其中一个切分特征作为当前切分特征。

S303、判断当前切分特征是否为在首的切分特征；若否，则执行S304；否则，执行S307。

S304、获取与当前切分特征紧邻的前续切分特征的目标传递特征。

S305、将与当前切分特征紧邻的前续切分特征的待传递特征进行特征提取，得到目标传递特征。

S306、将目标传递特征与当前切分特征进行特征整合，以更新当前切分特征。

S307、判断当前切分特征是否为在尾的切分特征；若否，则继续执行S308；否则，执行S310；

S308、将当前切分特征二次切分，得到当前切分特征的目标提取特征和待传递特征。

S309、对当前切分特征的待传递特征进行特征提取，得到当前切分特征的目标传递特征；返回执行S302。

S310、对当前切分特征进行特征提取，得到当前切分特征的目标提取特征。继续执行S311。

继续参见图3B对特征提取过程进行详细说明。

若当前切分特征为X

确定X

确定X

确定X

需要说明的是，对各切分特征X

图3B以对切分特征X

S311、对各切分特征的目标提取特征进行特征升维处理，得到待处理图像的特征提取结果。

由于S302对待处理图像进行了降维处理，为了使最终确定的待处理图像的特征提取结果与所获取的待处理图像的通道数量保持一致，还需要对各切分特征的目标提取特征进行特征升维处理。示例性地，可以采用1×1卷积进行特征升维处理。

继续参见图3B，对切分特征X

S312、通过直连结构对待处理图像进行处理，得到待融合特征。

其中，直连结构可以直接将待处理图像作为待融合特征，或者可以对待处理图像进行特征提取(例如可以采用1*1卷积进行特征提取)，得到待融合特征；或者还可以通过设定池化函数(例如可以采用平均池化函数进行下采样)对待处理图像进行下采样，并对下采样结果进行上采样(例如可以采用1*1卷积进行上采样)，得到待融合特征。

S313、将待融合特征与待处理图像的特征提取结果进行特征融合，以更新特征提取结果。

S314、根据待处理图像的特征提取结果，对待处理图像进行图像分类、目标检测或目标分割等。

本申请的图像特征提取过程，可以集成为一个即插即用的神经网络模型——图像特征提取模型，以方便迁移使用或进行二次开发。该图像特征提取模块功能，与现有的ResNet(Deep residual network，深度残差网络)模型相比，不是简单的对输入特征进行卷积处理，在不增加计算量前提下，将输入的待处理图像转化为多个尺度的切分特征，可以灵活设置切分宽度和切分尺度，更具通用性，同时提高了特征提取精度。

与现有的ResNeXt模型相比，不适用组卷积操作，降低了延时，通过不同尺度间的特征融合，加强通道间的信息交流，从而提升了特征提取精度。

与现有的Res2Net相比，通过对不同尺度的切分特征进行二次切分，得到目标提取特征和待传递特征，其中，目标提取特征实现了特征重复利用；待传递特征实现了对后续切分特征的传递更新，能够使后续切分特征保留不同感受野尺寸，以及增加感受野的大小，从而丰富了特征提取结果的信息量，进而提升了特征提取精度。

与现有的PyConvResNet(Pyramidal Convolution Deep residual network，金字塔卷积深度残差网络)相比，减少了大卷积核的使用，从而降低了数据运算量。另外，不同尺度下的切分特征在后续更新时引入了前续切分特征所传递的特征，丰富了不同感受野的尺寸，增加了感受野大小，从而丰富了特征提取结果的信息量，进而提升了特征提取精度。

针对上述各图像特征提取方法，本申请还提供了一种实施图像特征提取方法的虚拟装置的一个实施例。进一步参见图4所示的一种图像特征提取装置400，包括：切分处理模块401和特征提取结果得到模块402。其中

切分处理模块401，用于对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理，得到当前切分特征的目标提取特征和待传递特征；其中，当前切分特征的待传递特征用于更新位于当前切分特征之后的后续切分特征，以及确定后续切分特征的目标提取特征；

特征提取结果得到模块402，用于根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果。

本申请实施例通过引入当前切分特征的待传递特征，更新当前切分特征之后的后续切分特征，辅助确定后续切分特征的目标提取特征，实现了通道间的信息传递，从而丰富了后续切分特征的感受野，提高了后续切分特征中目标提取特征的信息量，进而提高了待处理图像的特征提取结果的特征提取精度。同时，通过引入当前切分特征的目标提取特征，实现了特征重复利用，从而提高了待处理图像的特征提取结果的特征提取精度。

进一步地，装置还包括：

当前切分特征更新模块，用于在对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理之前，根据位于当前切分特征之前的前续切分特征的待传递特征，更新当前切分特征。

进一步地，当前切分特征更新模块，包括：

目标传递特征得到单元，用于对位于当前切分特征之前且与当前切分特征相邻的前续切分特征的待传递特征，进行特征提取，得到目标传递特征；

当前切分特征更新单元，用于根据目标传递特征，更新当前切分特征。

进一步地，若当前切分特征不存在后续切分特征，则切分处理模块401，还包括：

特征提取单元，用于对当前切分特征进行特征提取，得到当前切分特征的目标提取特征。

进一步地，若前续切分特征的待传递特征的数量为至少两个，则目标传递特征得到单元，包括：

卷积处理子单元，用于分别对位于当前切分特征之前且与当前切分特征相邻的前续切分特征的各待传递特征进行卷积处理，得到目标传递特征；其中，卷积处理所采用的卷积核的尺寸不同。

进一步地，当前切分特征更新单元，包括：

特征整合子单元，用于将目标传递特征与当前切分特征进行特征整合，以更新当前切分特征。

进一步地，切分处理模块401，包括：

均匀切分处理单元，用于对待处理图像关联的至少两个切分特征中的当前切分特征进行均匀切分处理。

进一步地，装置还包括：

降维处理模块，用于在对待处理图像关联的至少两个切分特征中的当前切分特征进行切分处理之前，对待处理图像进行降维处理，得到待处理特征；

切分特征得到模块，用于根据待处理特征的通道数量，对待处理特征进行切分处理，得到至少两个切分特征；

特征提取结果得到模块，包括：

升维处理单元，用于对至少两个切分特征的目标提取特征进行升维处理，得到待处理图像的特征提取结果。

进一步地，装置还包括：

特征提取结果更新模块，用于在根据至少两个切分特征的目标提取特征，得到待处理图像的特征提取结果之后，根据待处理图像，更新待处理图像的特征提取结果。

进一步地，特征提取结果更新模块，包括：

直连处理单元，用于采用直连结构对待处理图像进行处理，得到待融合特征；

特征融合单元，用于将待融合特征与待处理图像的特征提取结果进行特征融合，以更新待处理图像的特征提取结果。

上述图像特征提取装置可执行本发明任意实施例所提供的图像特征提取方法，具备执行图像特征提取方法相应的功能模块和有益效果。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是实现本申请实施例的图像特征提取方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的图像特征提取方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像特征提取方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像特征提取方法对应的程序指令/模块(例如，附图4所示的切分处理模块401和特征提取结果得到模块402)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像特征提取方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现图像特征提取方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现图像特征提取方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现图像特征提取方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与实现图像特征提取方法电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请实施例的技术方案，通过引入当前切分特征的待传递特征，更新当前切分特征之后的后续切分特征，辅助确定后续切分特征的目标提取特征，实现了通道间的信息传递，从而丰富了后续切分特征的感受野，提高了后续切分特征中目标提取特征的信息量，进而提高了待处理图像的特征提取结果的特征提取精度。同时，通过引入当前切分特征的目标提取特征，实现了特征重复利用，从而提高了待处理图像的特征提取结果的特征提取精度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。