[發(fā)明專利]一種基于流卷積的圖像識別方法

在審

• 申請?zhí)枺?/td>: 202011235520.2
• 申請日: 2020-11-06
• 公開（公告）號: CN112288028A
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計）人: 陳英鵬;許野平
• 申請（專利權(quán)）人: 神思電子技術(shù)股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 趙玉鳳

本發(fā)明公開一種基于流卷積的圖像識別方法，所述流卷積在分組卷積的基礎(chǔ)上，利用通道路徑聚合操作，即連接當前子分組輸入特征與上一層子分組輸出特征去得到當前層子分組輸出特征，去加強各子分組之間的特征信息流通。基于流卷積的目標預防不僅有效減少了網(wǎng)絡參數(shù)與計算成本，而且使得圖像識別精度得到進一步提升。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能領(lǐng)域，具體地說，是一種基于流卷積的圖像識別方法，屬于卷積神經(jīng)網(wǎng)絡的特征提取網(wǎng)絡。

背景技術(shù)

近年來，卷積神經(jīng)網(wǎng)絡在各類計算視覺任務中取得重大突破。卷積神經(jīng)網(wǎng)絡的設(shè)計變得越來越復雜。然而，在現(xiàn)實的應用場景中，受限于有限設(shè)備計算資源，分組卷積的方式越來越受到大家的關(guān)注。盡管這種分組卷積的方式可以有效的減少網(wǎng)絡參數(shù)量以及計算成本，但是這種分離通道特征的方式會導致組通道特征信息無法有效的流通起來，從而導致網(wǎng)絡性能下降明顯。

論文《MobileDets:Searching for Object Detection Architectures forMobile Accelerators》中利用深度分離卷積來減少網(wǎng)絡參數(shù)以及計算成本，但是該方法整體性能下降也很明顯。

論文《CSPNet:A New Backbone that can Enhance Learning Capability ofCNN》中提出了跨階段局部網(wǎng)絡(CSPNet)，以緩解以往的工作需要從網(wǎng)絡架構(gòu)的角度進行大量推理計算的問題。但是該方法仍然基于傳統(tǒng)的卷積操作進行網(wǎng)絡設(shè)計，很難進一步減少模型參數(shù)與計算成本。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于流卷積的圖像識別方法，在減少參數(shù)以及計算成本的前提下，利用通道路徑聚合的方式，使得子組通道特征信息能夠很好地相互流通起來，從而提高圖像識別的速度、減低計算成本。

為了解決所述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：一種基于流卷積的圖像識別方法，包括以下步驟：

S01)、輸入特征進入圖像識別網(wǎng)絡，輸入特征為X^(h,w,c)，其中h表示輸入特征的高度，w表示輸入特征的寬度，c表示輸入特征的通道數(shù)；

S02)、圖像識別網(wǎng)絡中步長為1的卷積層的卷積操作替換成流卷積操作，流卷積操作為：

S21)、將執(zhí)行流卷積操作的輸入特征拆分為g個子分組，每個子分組對應的輸入特征為各子分組的寬高與輸入特征寬高保持一致，各子分組通道數(shù)與輸入特征通道數(shù)的關(guān)系為：

c₁+c₂+...+c_g＝c；

S22)、各子分組執(zhí)行卷積操作映射，用公式表示為：

其中，F(xiàn)_i表示正常的卷積操作映射，i∈[1,2,...,g]；

S23)、流卷積最后的輸出特征為各子分組輸出特征的連接，即Y＝[Y₁,Y₂,...Y_g]；

S03)、圖像識別網(wǎng)絡輸出圖像識別結(jié)果。

進一步的，流卷積的兩兩連接方式為：第一個流卷積的通道特征信息流通方式為自頂向下，第二個流卷積的通道特征信息流通方式為自底向上。

進一步的，流卷積的兩兩連接方式為：第一個流卷積的通道特征信息流通方式為自底向上，第二個流卷積的通道特征信息流通方式為自頂向下。

進一步的，流卷積的兩兩連接方式為：第一個流卷積的通道特征信息流通方式為自底向上，第二個流卷積的通道特征信息流通方式為自頂向下。

進一步的，流卷積的兩兩連接方式為：兩個流卷積的通道特征信息流通方式均為自頂向下。