[發明專利]一種瓶頸縮邊模型、神經元網絡及其構建方法

在審

• 申請號: 202210732679.8
• 申請日: 2019-09-20
• 公開（公告）號: CN115049831A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 杜宇
• 申請（專利權）人: 成都芯云微電子有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京之于行知識產權代理有限公司 11767
• 代理人: 侯越玲

1.一種瓶頸縮邊模型，其特征在于，設置于瓶頸縮邊模塊中，

所述瓶頸縮邊模型至少包括兩層1*1卷積層和一層m*m卷積層，其中m*m卷積層設置在兩個1*1卷積層之間，

所述瓶頸縮邊模塊的縮邊方法包括：

G(x)＝c_2(σ(conv(σ(c_1(x)))))+r(x)

其中，conv(x)表示對圖像矩陣x進行無padding的m*m卷積變換,m＞1；c_1(x)與c_2(x)表示對圖像矩陣x進行1*1卷積變換，σ(x)表示對圖像矩陣x進行非線性變換；r(x)表示對圖像矩陣x進行縮邊。

2.根據權利要求1所述的瓶頸縮邊模型，其特征在于，所述r(x)去掉圖像矩陣的邊緣k層的特征元素的函數為：

即去掉原矩陣x的第1～k行，第1～k列，第(n-k+1)～n行和第(n-k+1)～n列。

3.根據權利要求1或2所述的瓶頸縮邊模型，其特征在于，第二卷積層為3x3卷積核的卷積層。

4.一種神經元網絡，其特征在于，至少包括：

卷積模塊，設置與圖像信息輸入端并用于基于卷積層提取圖像矩陣；

縮邊單元，包括至少一個縮邊模塊，用于將圖像矩陣進行至少一次縮邊處理；

殘差單元，包括至少一個殘差模塊，用于提取圖像非邊緣部分待識別區域的相對比較抽象的特征；

全連接層模塊，用于基于全連接層輸出識別的圖像數據；

卷積模塊、縮邊單元、殘差單元和全連接層模塊依次連接。

5.根據權利要求4所述的神經元網絡，其特征在于，所述縮邊模塊為瓶頸縮邊模塊，

所述瓶頸縮邊模塊至少包括兩層1*1卷積層和一層m*m卷積層，其中m*m卷積層設置在兩個1*1卷積層之間，

所述瓶頸縮邊模塊的縮邊方法包括：

G(x)＝c_2(σ(conv(σ(c_1(x)))))+r(x)

其中，conv(x)表示對圖像矩陣x進行無padding的m*m卷積變換,m＞1；c_1(x)與c_2(x)表示對圖像矩陣x進行1*1卷積變換，σ(x)表示對圖像矩陣x進行非線性變換；r(x)表示對圖像矩陣x進行縮邊。

6.根據權利要求4或5所述的神經元網絡，其特征在于，所述r(x)去掉圖像矩陣的邊緣k層的特征元素的函數為：

即去掉原矩陣x的第1～k行，第1～k列，第(n-k+1)～n行和第(n-k+1)～n列。

7.一種神經元網絡的構建方法，其特征在于，所述方法包括：

將卷積模塊與縮邊單元連接；

所述縮邊單元為瓶頸縮邊單元(20)；在所述瓶頸縮邊單元(20)與瓶頸殘差單元(50)之間設置有第一池化模塊(31)和第一1x1卷積模塊(41)；

第一池化模塊(31)設置在第一1x1卷積模塊(41)的數據上游；

將瓶頸殘差單元(50)與全連接層模塊(60)連接；

所述全連接層模塊(60)用于輸出最后的圖像數據。

8.根據權利要求7所述的神經元網絡的構建方法，其特征在于，所述瓶頸縮邊單元(20)包括依次連接的第一瓶頸縮邊模塊(21)、第二瓶頸縮邊模塊(22)、第三瓶頸縮邊模塊(23)和第四瓶頸縮邊模塊(24)；

每個瓶頸縮邊模塊去掉1層邊緣特征元素，第一瓶頸縮邊模塊(21)、第二瓶頸縮邊模塊(22)、第三瓶頸縮邊模塊(23)和第四瓶頸縮邊模塊(24)能夠去掉圖像矩陣邊緣4層特征元素，使圖像矩陣的行數和列數各減少8。

9.根據權利要求8所述的神經元網絡的構建方法，其特征在于，所述瓶頸殘差單元(50)中的任意兩個非縮邊的瓶頸殘差模塊之間設置有第二池化模塊(32)和第二1x1卷積模塊(42)；

第二池化模塊(32)設置在第二1x1卷積模塊(42)的數據上游；

其中，在殘差模塊之間設置的池化模塊的作用在于改變圖像矩陣的大小。

10.根據權利要求8或9所述的神經元網絡的構建方法，其特征在于，瓶頸殘差模塊至少包括三層卷積層，

瓶頸殘差模塊的表達式可寫為：H(x)＝c_2(σ(conv(σ(c_1(x)))))+x，其中，conv(x)表示對圖像矩陣x進行padding＝1的3×3卷積變換；

c_1(x)與c_2(x)表示對圖像矩陣x進行1×1卷積變換，

σ(x)表示對圖像矩陣x進行非線性變換。