(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210770670.6 (22)申请日 2022.06.30 (71)申请人 北京京东方技 术开发有限公司 地址 100176 北京市大兴区北京经济技 术 开发区地 泽路9号1幢407室 申请人 京东方科技 集团股份有限公司 (72)发明人 魏书琪　哈谦　耿凯　 (74)专利代理 机构 北京律智知识产权代理有限 公司 11438 专利代理师 王辉 (51)Int.Cl. G06V 10/77(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 特征提取方法、 装置、 存 储介质及电子设备 (57)摘要 本公开提供一种特征提取方法、 装置、 存储 介质及电子设备； 涉及人工智 能技术领域。 所述 方法包括： 根据待识别数据和所述待识别数据中 的局部数据得到预设神经网络的输入 数据； 利用 所述预设神经网络对所述输入数据进行融合特 征提取， 得到所述待识别数据的目标特征。 本公 开利用神经网络对全局数据和局部数据进行融 合特征提取， 可以提高神经网络识别的特征精 度。 权利要求书3页 说明书17页 附图6页 CN 114998668 A 2022.09.02 CN 114998668 A 1.一种特 征提取方法， 其特 征在于， 包括： 根据待识别数据和所述待识别数据中的局部数据得到预设神经网络的输入数据； 利用所述预设神经网络对所述输入数据进行融合特征提取， 得到所述待识别数据的目 标特征。 2.根据权利要求1所述的特征提取方法， 其特征在于， 所述预设神经网络至少包括编码 器网络和 解码器网络， 所述编码器网络包括多个下采样层， 每个下采样层至少包括多个卷 积层和一个池化层， 所述解码器网络包括多个上采样层， 每个上采样层至少包括一个反卷 积层和多个卷积层。 3.根据权利要求2所述的特征提取方法， 其特征在于， 所述预设神经网络还包括局部特 征提取网络， 所述局部特征提取网络的网络结构与所述编码器网络的网络结构相同； 所述 根据待识别数据和所述待识别数据中的局部数据得到预设神经网络的输入数据， 包括： 将所述待识别数据作为所述编码器网络的输入数据； 将所述待识别数据的局部数据作为所述局部特 征提取网络的输入数据。 4.根据权利要求3所述的特征提取方法， 其特征在于， 所述利用所述预设神经网络对所 述输入数据进行融合特 征提取， 得到所述待识别数据的目标 特征， 包括： 利用所述编码器网络对所述待识别数据进行特征提取， 得到所述编码器网络的第 一输 出特征； 利用所述局部特征提取网络对所述待识别数据中的局部数据进行特征提取， 得到所述 局部数据的第一特 征表示； 将所述编码器网络的第 一输出特征和所述局部数据的第 一特征表示进行拼接， 得到所 述解码器网络的第一输入特 征； 利用所述解码器网络对所述第 一输入特征进行特征提取， 得到所述待识别数据的目标 特征。 5.根据权利要求1 ‑4任一项所述的特征提取方法， 其特征在于， 利用所述预设神经网络 对所述输入数据进行融合特 征提取前， 所述方法还 包括： 对所述预设神经网络中的所述编码器网络和所述局部特征提取网络进行训练； 其中， 所述编码器网络的参数初始值与所述局部特 征提取网络的参数初始值相同。 6.根据权利要求5所述的特征提取方法， 其特征在于， 所述对所述预设神经网络 中的所 述编码器网络和所述局部特 征提取网络进行训练， 包括： 根据预设的参数映射关系对所述编码器网络的参数和所述局部特征提取网络的参数 进行迭代， 当满足迭代终止条件时， 完成对所述编码器网络和所述局部特征提取网络的训 练； 其中， 所述参数映射关系用于确定迭代后的编码器网络的参数和对应的局部特征提取 网络的参数。 7.根据权利要求2所述的特征提取方法， 其特征在于， 所述根据待识别数据和所述待识 别数据中的局部数据得到预设神经网络的输入数据， 包括： 基于所述待识别数据， 构建所述待识别数据中的局部数据的矩阵表示， 得到局部数据 矩阵； 将所述待识别数据和所述局部数据矩阵中的各对应元 素进行组合， 得到组合数据；权　利　要　求　书 1/3 页 2 CN 114998668 A 2将所述组合数据作为所述编码器网络的输入数据。 8.根据权利要求7所述的特征提取方法， 其特征在于， 所述将所述待识别数据和所述局 部数据矩阵中的各对应元 素进行组合， 得到组合数据， 包括： 根据： 将待识别数据X和局部数据矩阵Y中的各对应元素进行组合， 得到组合数据Z； 其中， Z (i,j,k)表示组合数据Z中第i行、 第j列、 第k个通道对应的空间位置上的元 素值， 分别表示图像数据X、 局部数据矩阵Y中第 行、 第 列、 第k个通道对应的空间位置上的元素值， 表示向上取整运算， 为组 合系数。 9.根据权利要求7所述的特征提取方法， 其特征在于， 所述利用所述预设神经网络对所 述输入数据进行融合特 征提取， 得到所述待识别数据的目标 特征， 包括： 利用所述编码器网络对所述组合数据进行特征提取， 得到所述编码器网络的第 二输出 特征， 所述编码器网络的第一个下采样层包括多个空洞卷积层和一个池化层； 对所述编码器网络的第 二输出特征进行卷积运算， 得到所述解码器网络的第 二输入特 征； 利用所述解码器网络对所述第 二输入特征进行特征提取， 得到所述待识别数据的目标 特征。 10.根据权利要求7所述的特征提取方法， 其特征在于， 所述预设神经网络还包括局部 特征融合网络， 所述局部特征融合网络包括多个空洞卷积层和一个池化层； 所述利用所述 预设神经网络对所述输入数据进行融合特 征提取， 得到所述待识别数据的目标 特征， 包括： 将所述组合数据输入所述局部特 征融合网络中， 得到融合数据； 利用所述预设神经网络 中的编码器网络和解码器网络对所述融合数据进行特征提取， 得到所述待识别数据的目标 特征。 11.根据权利要求1所述的特征提取方法， 其特征在于， 所述预设神经网络还包括分类 器； 得到所述待识别数据的目标 特征后， 所述方法还 包括： 通过所述分类器对所述待识别数据的目标特征进行分类预测， 得到所述待识别数据的 分类结果。 12.一种特 征提取装置， 其特 征在于， 包括： 输入数据生成模块， 用于根据待识别数据和所述待识别数据中的局部数据得到预设神 经网络的输入数据； 目标特征提取模块， 用于利用所述预设神经网络对所述输入数据进行融合特征提取， 得到所述待识别数据的目标 特征。 13.一种计算机可读存储介质， 其上存储有计算机程序， 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 ‑11任一项所述的方法。 14.一种电子设备， 其特 征在于， 包括：权　利　要　求　书 2/3 页 3 CN 114998668 A 3