[發明專利]一種基于卷積神經網絡結構提取圖像特征的方法

在審

• 申請號: 201910121702.8
• 申請日: 2019-02-17
• 公開（公告）號: CN109886331A
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 王楷元;段迅達;其他發明人請求不公開姓名
• 申請（專利權）人: 太原理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 太原市科瑞達專利代理有限公司 14101
• 代理人: 盧茂春

1.一種基于卷積神經網絡結構提取圖像特征的方法，其特征是采用不同大小卷積核相結合，在提升網絡深度的同時，對網絡提取的特征進行降維。

2.根據權利要求1所述一種基于卷積神經網絡結構提取圖像特征的方法，其特征是所述網絡結構包括19個3×3的卷積層和5個最大池化層組成的11個殘差塊結構。

3.根據權利要求1所述一種基于卷積神經網絡結構提取圖像特征的方法，其特征是所述卷積核大小為1×1和3×3的組合，利用1×1的卷積核對圖像特征進行降維，再用3×3的卷積核對圖像特征進行卷積操作，提取更加精細的圖像特征，每經過一層卷積層之后都使用Relu激活函數激活，并添加批量歸一化層；每一組1×1和3×3的卷積層通過跳躍連接組成殘差塊結構。

4.根據權利要求1所述一種基于卷積神經網絡結構提取圖像特征的方法，其特征是包括下述步驟：

（1）圖像輸入，圖像經過3個3×3卷積層和2個最大池化層之后，輸出特征維度；

（2）連接殘差塊結構，再經過1個最大池化和3×3的卷積層之后輸出第一特征向量；

（3）經過2個殘差塊結構，再經過1個最大池化和3×3的卷積層輸出第二特征向量；

（4）經過4個殘差塊結構，輸出第三特征向量；

（5）經過1個最大池化和3×3的卷積層輸出的第四特征向量；

（6）經8個殘差塊結構，輸出第五特征向量并與第三特征向量進行特征融合，輸出為第五特征向量；

（7）經過3×3的卷積層和一個1×1的卷積層輸出最終特征向量，并以最終特征向量對目標類別、置信度以及位置進行預測。

5.根據權利要求1~4任意一項所述一種基于卷積神經網絡結構提取圖像特征的方法，其特征是所述圖像像素為416×416；

圖像經過3個3×3卷積層和2個最大池化層之后，輸出的特征維度為104×104×128；

（2）連接殘差塊結構，再經過1個最大池化和3×3的卷積層之后輸出的第一特征向量為52×52×256；

（3）經過2個殘差塊結構，再經過1個最大池化和3×3的卷積層輸出的第二特征向量為26×26×512；

（4）經過4個殘差塊結構，輸出的第三特征向量為26×26×512；

（5）經過1個最大池化和3×3的卷積層輸出的第四特征向量為13×13×1024；

（6）經8個殘差塊結構，輸出第五特征向量的圖像像素為13×13×1024，第五特征向量與第四特征向量進行特征融合，輸出第六特征向量為13×13×3072；

（7）經過3×3的卷積層和一個1×1的卷積層輸出最終特征向量為13×13×30。