[发明专利]静态图像行为识别的卷积神经网络模型

权利要求书

1.一种静态图像行为识别的卷积神经网络模型，其特征在于包括：

VGG16卷积层模块，用于对输入的图像进行多次的卷积和池化处理，提取具有判别性的深度特征；

多分支卷积层模块，用于通过不同的分支来分别学习VGG16卷积层模块最后一层输出的特征，该模块的卷积层权重在训练过程中随机初始；

softmax分类器层模块，用于对三分支卷积层模块输出的特征进行分类。

2.如权利要求1所述的静态图像行为识别的卷积神经网络模型，其特征在于：所述多分支卷积层模块设置三个不同的分支，

第一个分支包括一个卷积层，采用1×1的卷积核，过滤器个数为128；

第二个分支包括两个卷积层，第一个卷积层与第一分支一样，第二个卷积层，采用3×3的卷积核，过滤器个数为128；

第三个分支包括一个平均池化层和一个卷积层，平均池化层的池化大小为3×3，卷积层采用3×3的卷积核，过滤器个数为128。

3.如权利要求1所述的静态图像行为识别的卷积神经网络模型，其特征在于：所述softmax分类器层模块包括三个全连接层，第一层和第二层大小为2048，在这两个层中添加L2正则化项，并且将该正则化项系数的权重设置为0.001，第三层大小为7。

4.如权利要求1所述的静态图像行为识别的卷积神经网络模型，其特征在于，所述网络模型的训练过程如下：

权重初始阶段：VGG16卷积层模块的权重由预训练VGG16模型的权重初始；多分支卷积层模块和softmax分类器层模块的权重随机初始；

权重训练阶段：VGG16卷积层模块的权重被冻结，在训练过程中这个模块的所有权重固定不变；多分支卷积层模块和softmax分类器层模块的权重通过优化算法进行调整；

数据增强阶段：在训练过程中通过对数据进行转换变化操作产生更多的数据，具体的参数设置如下：旋转参数范围：0-90度，宽度移位范围：0-0.2，高度移位范围：0-0.2，斜切变化范围：0-0.2，并且设置水平和垂直翻转。