[發(fā)明專利]多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型及其圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210622376.0
• 申請(qǐng)日: 2022-06-02
• 公開（公告）號(hào): CN115205580A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 張小鳳;蘇田田;張光斌
• 申請(qǐng)（專利權(quán)）人: 陜西師范大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06N3/08;G06N3/04
• 代理公司: 西安佩騰特知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61226
• 代理人: 曹宇飛

1.一種多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，包括依次連接的第一分類單元、第二分類單元、第三分類單元和第四分類單元；所述第二分類單元是由兩個(gè)多分支殘差結(jié)構(gòu)堆疊組成；所述第三分類單元是由三個(gè)多分支殘差結(jié)構(gòu)堆疊組成。

2.根據(jù)權(quán)利要求1所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述多分支殘差結(jié)構(gòu)包括依次連接的1*1第一卷積層、多分支變體的深度可分離卷積池化機(jī)構(gòu)和1*1第二卷積層；所述1*1第一卷積層與前一分類單元連接；所述1*1第二卷積層與后一分類單元連接。

3.根據(jù)權(quán)利要求2所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述多分支變體的深度可分離卷積池化機(jī)構(gòu)包括并列的第一分支、第二分支和第三分支；所述1*1第一卷積層同時(shí)經(jīng)第一分支、第二分支和第三分支后與1*1第二卷積層連接。

4.根據(jù)權(quán)利要求3所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述第一分支包括依次連接的3*3深度可分離卷積層和3*3第一池化層；第二分支包括依次連接5*5深度可分離卷積層和3*3第二池化層；所述第三分支為3*3第三池化層。

5.根據(jù)權(quán)利要求4所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述第一分類單元依次包括7*7卷積層和3*3池化層；所述3*3池化層與第二單元的1*1第一卷積層連接。

6.根據(jù)權(quán)利要求5所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述第四分類單元依次包括池化層和全連接層；所述池化層與第三分類單元的1*1第二卷積層連接。

7.根據(jù)權(quán)利要求6所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型，其特征在于，所述池化層為并列的自適應(yīng)最大池化層和自適應(yīng)平均池化層；所述自適應(yīng)最大池化層分別與第三分類單元的1*1第二卷積層和全連接層連接；所述自適應(yīng)平均池化層分別與第三分類單元的1*1第二卷積層和全連接層連接。

8.一種基于權(quán)利要求7所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型的圖像分類方法，其特征在于，所述圖像分類方法包括以下步驟：

1)建立如權(quán)利要求7所述的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型；

2)獲取圖像數(shù)據(jù)，建立數(shù)據(jù)集；

3)將步驟2)數(shù)據(jù)集中的圖像數(shù)據(jù)進(jìn)行隨機(jī)處理，得到原始矩陣A；

4)將步驟3)的原始矩陣A輸入到步驟1)的多分支殘差卷積神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練，提取圖像特征，并對(duì)圖像進(jìn)行識(shí)別，完成圖像分類。

9.根據(jù)權(quán)利要求8所述的圖像分類方法，其特征在于，所述步驟4)的訓(xùn)練過(guò)程是：

4.1)將原始矩陣A輸入第一分類單元中，依次經(jīng)7*7卷積、3*3池化后得到去噪特征矩陣A0；

4.2)將去噪特征矩陣A0輸入第二分類單元，經(jīng)過(guò)兩個(gè)堆疊的多分支殘差結(jié)構(gòu)進(jìn)行卷積、池化后提取矩陣信息，得到高維殘差特征矩陣A5；

4.3)將高維殘差特征矩陣A5輸入第三分類單元中，經(jīng)過(guò)三個(gè)堆疊的多分支殘差結(jié)構(gòu)進(jìn)行卷積、池化后提取矩陣信息，得到高維度具有不變性的特征矩陣A6；

4.4)上述得到的高維度具有不變性的特征矩陣A6同時(shí)輸入最大池化層和平均池化層中，經(jīng)池化提取的信息合并后輸入全連接層，對(duì)提取的分布特征進(jìn)行組合，形成一維特征向量，并對(duì)特征向量進(jìn)行加權(quán)求和后輸出，完成分類。

10.根據(jù)權(quán)利要求9所述的圖像分類方法，其特征在于，所述卷積均還包括批歸一化處理和Mish激活函數(shù)處理。