[發明專利]基于隱式歐拉跳躍連接的殘差神經網絡的圖像識別方法

有效

• 申請號: 202010133492.7
• 申請日: 2020-02-28
• 公開（公告）號: CN111401155B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 林宙辰;李明杰;何翎申
• 申請（專利權）人: 北京大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V20/56;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

本發明公布了一種基于隱式歐拉跳躍連接的殘差神經網絡的圖像識別方法，將隱式歐拉數值方法與殘差網絡模型中的跳躍連接相結合，建立具有更強魯棒性的改進模型：含有隱式歐拉跳躍連接的殘差神經網絡，該改進模型的輸入為圖像數據及所對應的標簽，輸出為圖像的預測分類，由此實現更加穩定的圖像識別。本發明提出的基于含有隱式歐拉跳躍連接的殘差神經網絡的圖像識別方法，具有更強的魯棒性和可信性，可提高圖像識別的準確性和有效性，可應用在如人臉識別、文字識別等多種圖像識別場景。

技術領域

本發明涉及深度神經網絡結構設計技術和圖像識別技術領域，尤其涉及一種基于含有隱式歐拉跳躍連接(IE-Skips，即Implicit Euler Skip Connections)的殘差神經網絡模型進行圖像識別的方法，可以應用在如人臉識別、文字識別等多種圖像識別場景。

背景技術

隨著近年來圖像處理器(GPU)計算能力的飛速發展，以及人們能獲得的數據量越來越大，深度神經網絡在計算機視覺、圖像處理和自然語言處理等領域獲得了廣泛應用。自從2012年深度神經網絡在ImageNet分類任務上取得了突破性進展之后，研究者提出了多種不同網絡，并且其結構不局限于經典的前饋神經網絡結構。在前饋網絡結構中，每個神經元只和其后的神經元相連。其中最典型的例子就是文獻[1](He，K.，Zhang，X.，Ren，S.，andSun，J.Deep residual learning for image recognition.In CVPR，2015)記載的ResNet(即殘差神經網絡)，殘差神經網絡在傳統的前饋網絡結構上增加了旁支，顯著提高了神經網絡的性能。

基于此網絡模型的圖像識別方法也在圖像識別的相關領域取得了顯著的成果，比如在自動駕駛、人臉識別、圖像識別、檢測等等。與過去的傳統方法相比，基于此網絡模型的圖像識別方法有著很大的優勢。但是這一網絡結構在魯棒性上存在較大問題，其預測結果極易被對抗攻擊所干擾。而在實際應用，由于相機、傳感器等條件的限制，需要處理的圖像常常受到“污染”(即存在某些數值擾動或者數值噪聲)，因此神經網絡在安全相關的領域的應用發展也因此受到了限制。