[發(fā)明專利]一種基于改進(jìn)的MobileNetV3特征提取網(wǎng)絡(luò)

有效

• 申請?zhí)枺?/td>: 202110338087.3
• 申請日: 2021-03-30
• 公開（公告）號: CN113052189B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 賈宇明;唐昊;賈海濤;田浩琨;王子彥;王云;鄒新雷
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進(jìn)的MobileNetV3特征提取網(wǎng)絡(luò)方法，其特征在于，包括以下步驟：

步驟1：利用少量卷積核生成本體特征圖，卷積方式采用逐點(diǎn)分組卷積，分組卷積的方式可以降低計(jì)算量和參數(shù)量；

步驟2：經(jīng)過逐點(diǎn)分組卷積處理后，由于組間信息無法交流，采用通道混洗方式將特征通道進(jìn)行混洗，得到通道重構(gòu)與交流的全新特征結(jié)構(gòu)；

步驟3：原始卷積操作會(huì)得到通道數(shù)為n的特征圖，而步驟1生成的本體特征圖的數(shù)量m小于n，為了獲得原計(jì)劃數(shù)量為n的特征，設(shè)計(jì)了shadow-module模塊，對步驟1獲取到的本體特征采用3×3深度卷積的運(yùn)算手段進(jìn)行處理，該運(yùn)算分別在各自通道中進(jìn)行，得到大量影子特征圖，將影子特征圖與原始特征圖拼接，最終得到數(shù)量為n＝m×s的特征圖，其中s表示本體特征圖的映射數(shù)量；

步驟4：根據(jù)前三個(gè)步驟提出全新的Shadow-Bottleneck模塊，該模塊與Resnet殘差塊非常相似，Shadow-Bottleneck主要由兩個(gè)疊堆的Shadow Module構(gòu)建而成，第一個(gè)ShadowModule主要作用是來增加特征通道數(shù)，在輸出后需要進(jìn)行批量化處理和ReLU函數(shù)處理，第二個(gè)Shadow Module則是用來降低特征通道數(shù)用以匹配shortcut的輸出，輸出只需要進(jìn)行一次批量化處理，對于stride＝2需要在兩個(gè)Shadow Module間插入一個(gè)步長為2的深度卷積進(jìn)行下采樣處理；

步驟5：參考MobileNetV3的網(wǎng)絡(luò)結(jié)構(gòu)，將MobileNetV3中的Bottleneck替換成步驟四的Shadow-Bottleneck，最終利用全局平均池化和全連接層將特征圖轉(zhuǎn)換為1280維特征向量完成分類。

2.如權(quán)利要求1所述方法，其特征在于，步驟2中的通道混洗為改進(jìn)的通道混洗AD-Shuffle。