1.一种基于特征共享的多尺度特征融合方法,其特征在于,包括如下步骤:S1:在主干特征提取网络提取的多尺度特征中,选取所有具有不同尺度的特征图作为输出特征;
S2:为所述输出特征构建基于共享机制的多尺度特征融合模块,所述多尺度特征融合模块通过逐点卷积和深度卷积并行的方式,将逐点卷积输出的多尺度融合特征与深度卷积输出的每个尺度特征的语义信息通过逐点相加操作,得到多尺度共享融合特征,使得每个特征图在包含原有尺度的上下文语义信息外,还包含其他所有尺度特征的融合特征;
S3:根据所述多尺度共享融合特征,对图像中的目标进行分割、分类以及检测。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1之前还包括:A1:针对图像/视频的分类或分割,根据输入输出的张量大小构建多尺度特征提取网络作为主干特征提取网络;
A2:利用主干特征提取网络提取图像/视频中待分类或分割目标的多尺度特征。
3.根据权利要求1所述的方法,其特征在于,所述步骤S1中选取不同尺度的特征图包括:B1:将主干特征提取网络包含的l种尺度特征提取器提取到的不同尺度特征作为输出特征,所述不同尺度特征用公式描述为:F1=C1(input)
F2=C2(input)
…
Fl=Cl(input)
其中,Ci(i=1,2,...,l)表示不同尺度特征的特征提取器,input为主干特征提取网络的图像,Fi(i=1,2,...,l)表示所提取到的不同尺度大小的特征图。
4.根据权利要求3所述的方法,其特征在于,所述步骤S2中多尺度特征融合模块的具体操作包括:C1:将所述不同尺度特征图F1,F2,...,Fl通过Concatenate函数相连得到多尺度特征集F;
C2:将多尺度特征集输入逐点卷积(Pointwise Convolution)分支,得到多尺度融合特征F′;
C3:将多尺度特征集输入深度卷积(Depthwise Convolution)分支,得到每个尺度特征的上下文语义信息F″;
C4:将步骤C2和步骤C3中得到的多尺度融合特征F′和每个尺度特征的语义信息F″通过逐点相加操作(Add),得到多尺度共享融合特征
5.根据权利要求4所述的基于特征共享的多尺度特征融合方法,其特征在于,所述步骤C2和步骤C3中得到的特征图的数量应当与步骤C1得到的特征图数量保持一致。