[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

说明书

一种基于卷积神经网络结构提取图像特征的方法，属于计算机深度学习领域，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。本发明增加了卷积神经网络的深度，提高网络提取图像特征的能力，同时避免了由于网络深度增加带来的计算量增大，梯度弥散消失等问题，加快了神经网络的训练过程，提升了网络的性能。

技术领域

本发明属于计算机深度学习领域，涉及一种基于跳跃连接原理，结合对浅层网络加深的方法，提高卷积神经网络结构图像提取特征的能力。

背景技术

卷积神经网络是一类包含卷积、池化、激活函数计算并且具有一定深度结构的神经网络，是深度学习领域的代表算法之一。目前已经被大量研究实例证实，在目标分类、定位、检测领域有强劲的表现，并以多层次的特征学习与丰富的特征表达能力，在目标检测领域取得了突破进展。

最近几年，卷积神经网络在物体识别领域逐渐发展成为候选框结合卷积神经网络进行目标分类，这种方法虽然提升了物体识别的准确率，但同时带来了以下问题：在训练过程中，首先要训练物体候选框位置的提取，再用提取到的候选框训练卷积神经网络，由于需要对每一个提取的候选框进行分类计算，因此导致计算量庞大，检测速度慢。目前，有基于回归方法的神经网络结构能使网络变浅，直接回归出物体的位置类别信息，这样的结构使得网络检测的速率大幅提高，但同时浅层网络结构带来的问题：提取的图像特征不够精细，对网络分类的准确性产生影响。

如上所述对于物体识别任务中，已存在多种卷积神经网络框架，但是在检测速度和检测准确率方面不能达到很好的兼容，导致实际应用存在诸多限制。目前，能使网络结构加深，且避免结构加深带来的梯度消失问题，同时保证网络检测速度的方法是在网络结构中添加跳跃连接，组成残差块。

一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，但是这样会带来一些缺陷：参数太多，容易过拟合；网络越大计算复杂度越大，难以应用；网络越深，梯度越往后越容易消失。

发明内容

为了解决网络层数增加的情况下可能出现的梯度消失问题，提升网络性能，同时提高网络检测准确率，本发明要解决由于网络结构较浅带来的网络提取特征能力弱，物体识别精度不高的问题。本发明提出一种加深网络深度的卷积神经网络结构，同时避免网络结构加深带来的梯度消失问题，保证网络的检测精度和速度。

为了解决上述技术问题，本发明的技术方案是添加跳跃连接并增加深度的卷积神经网络结构的一种基于卷积神经网络结构提取图像特征的方法。

一种基于卷积神经网络结构提取图像特征的方法，包括以下步骤：

（1）利用卷积神经网络提取图像特征，增加卷积神经网络的深度，提高网络提取特征的能力，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；

所述卷积核的大小为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，并添加批量归一化层（BN）。

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，整个神经网络结构采用残差块堆叠而成。

本发明与现有技术相比具有如下特点：本发明的残差块结构，增加了卷积神经网络的深度，提高网络提取图像特征的能力，同时避免了由于网络深度增加带来的计算量增大，梯度弥散消失等问题，加快了神经网络的训练过程，提升了网络的性能。

附图说明

图1为本发明的残差块结构；

图2为本发明中卷积神经网络结构示意图；

图中的箭头方向代表跳跃连接，组成残差块结构。

具体实施方式