[发明专利]一种基于卷积神经网络结构提取图像特征的方法在审

专利信息
申请号: 201910121702.8 申请日: 2019-02-17
公开(公告)号: CN109886331A 公开(公告)日: 2019-06-14
发明(设计)人: 王楷元;段迅达;其他发明人请求不公开姓名 申请(专利权)人: 太原理工大学
主分类号: G06K9/62 分类号: G06K9/62
代理公司: 太原市科瑞达专利代理有限公司 14101 代理人: 卢茂春
地址: 030024 山西*** 国省代码: 山西;14
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 神经网络结构 提取图像特征 网络提取 卷积 卷积神经网络 神经网络 图像特征 训练过程 网络 计算量 卷积核 弥散 降维 计算机 学习
【权利要求书】:

1.一种基于卷积神经网络结构提取图像特征的方法,其特征是采用不同大小卷积核相结合,在提升网络深度的同时,对网络提取的特征进行降维。

2.根据权利要求1所述一种基于卷积神经网络结构提取图像特征的方法,其特征是所述网络结构包括19个3×3的卷积层和5个最大池化层组成的11个残差块结构。

3.根据权利要求1所述一种基于卷积神经网络结构提取图像特征的方法,其特征是所述卷积核大小为1×1和3×3的组合,利用1×1的卷积核对图像特征进行降维,再用3×3的卷积核对图像特征进行卷积操作,提取更加精细的图像特征,每经过一层卷积层之后都使用Relu激活函数激活,并添加批量归一化层;每一组1×1和3×3的卷积层通过跳跃连接组成残差块结构。

4.根据权利要求1所述一种基于卷积神经网络结构提取图像特征的方法,其特征是包括下述步骤:

(1)图像输入,图像经过3个3×3卷积层和2个最大池化层之后,输出特征维度;

(2)连接残差块结构,再经过1个最大池化和3×3的卷积层之后输出第一特征向量;

(3)经过2个残差块结构,再经过1个最大池化和3×3的卷积层输出第二特征向量;

(4)经过4个残差块结构,输出第三特征向量;

(5)经过1个最大池化和3×3的卷积层输出的第四特征向量;

(6)经8个残差块结构,输出第五特征向量并与第三特征向量进行特征融合,输出为第五特征向量;

(7)经过3×3的卷积层和一个1×1的卷积层输出最终特征向量,并以最终特征向量对目标类别、置信度以及位置进行预测。

5.根据权利要求1~4任意一项所述一种基于卷积神经网络结构提取图像特征的方法,其特征是所述图像像素为416×416;

图像经过3个3×3卷积层和2个最大池化层之后,输出的特征维度为104×104×128;

(2)连接残差块结构,再经过1个最大池化和3×3的卷积层之后输出的第一特征向量为52×52×256;

(3)经过2个残差块结构,再经过1个最大池化和3×3的卷积层输出的第二特征向量为26×26×512;

(4)经过4个残差块结构,输出的第三特征向量为26×26×512;

(5)经过1个最大池化和3×3的卷积层输出的第四特征向量为13×13×1024;

(6)经8个残差块结构,输出第五特征向量的图像像素为13×13×1024,第五特征向量与第四特征向量进行特征融合,输出第六特征向量为13×13×3072;

(7)经过3×3的卷积层和一个1×1的卷积层输出最终特征向量为13×13×30。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于太原理工大学,未经太原理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910121702.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top