[發明專利]靈活可分離卷積框架和特征提取方法及其在VGG和ResNet中應用

有效

• 申請號: 202011199528.8
• 申請日: 2020-11-02
• 公開（公告）號: CN112016639B
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 謝羅峰;朱楊洋;謝政峰;殷鳴;殷國富
• 申請（專利權）人: 四川大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 成都樂易聯創專利代理有限公司 51269
• 代理人: 趙何婷

1.一種靈活可分離深度學習卷積框架，其特征在于：包括特征圖聚類劃分模塊、第一卷積操作模塊、第二卷積操作模塊、特征圖融合模塊、注意力機制SE模塊、M個輸入通道和N個輸出通道；

所述特征圖聚類劃分模塊用于將M張輸入特征圖劃分為表征主要信息特征圖和表征補充信息特征圖；

所述第一卷積操作模塊用于對所述表征主要信息特征圖做普通卷積和BN操作后輸出主要特征圖；

所述第二卷積操作模塊用于對所述表征補充信息特征圖做分組卷積和BN操作后輸出補充特征圖；

所述特征圖融合模塊用于先將輸出主要特征圖與輸出補充特征圖沿深度方向拼接后與經過預處理的輸入特征圖相加再經ReLU激活輸出；

所述注意力機制SE模塊用于將提取的特征圖融合模塊輸出的特征圖通道權重與特征圖融合模塊輸出的特征圖相乘輸出N張輸出特征圖。

2.根據權利要求1所述的一種靈活可分離深度學習卷積框架，其特征在于：所述特征圖聚類劃分模塊用于根據超參數補充特征信息占比α將輸入特征圖劃分為表征主要信息特征圖Mrep和表征補充信息特征圖Mred，所述補充特征信息占比α∈(0,1)。

3.根據權利要求2所述的一種靈活可分離深度學習卷積框架，其特征在于：所述表征主要信息特征圖Mrep＝(1-α)M，表征補充信息特征圖Mred＝αM。

4.根據權利要求1所述的一種靈活可分離深度學習卷積框架，其特征在于：所述經過預處理的輸入特征圖是指將輸入特征圖經過1×1卷積和BN操作后的特征圖。

5.根據權利要求1至4任一權利要求所述的一種靈活可分離深度學習卷積框架在VGG卷積神經網絡中的應用。

6.根據權利要求1至4任一權利要求所述的一種靈活可分離深度學習卷積框架在ResNet網絡殘差塊中的應用；其特征在于：包括兩個所述的靈活可分離深度學習卷積框架，并且對第一個卷積框架的輸出通道和第二個卷積框架的輸入通道設置超參數通道縮放因子β。

7.一種靈活可分離深度學習卷積框架的特征提取方法，其特征在于包括如下步驟：

(1)獲取M個輸入特征圖，并根據超參數補充信息占比α將所述輸入特征圖劃分為表征主要信息特征圖Mrep＝(1-α)M和表征補充信息特征圖Mred＝αM；

(2)對所述表征主要信息特征圖進行普通卷積和BN操作后輸出主要特征圖，對所述表征補充信息特征圖進行分組卷積和BN操作輸出補充特征圖；

(3)將輸出主要特征圖和輸出補充特征圖沿深度方向拼接后與經過1×1卷積和BN操作的輸入特征圖相加最后經ReLU激活輸出；

(4)提取激活輸出的特征圖通道權重，再將提取的所述權重與激活輸出的特征圖相乘生成N個輸出特征圖。