[发明专利]一种基于残差结构的神经网络目标识别方法及系统

权利要求书

1.一种基于残差结构的神经网络目标识别方法，其特征在于，所述目标识别方法包括：

获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；

对所述训练数据进行归一化和零均值化，得到处理后训练数据；

构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；

根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；

获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；

将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果；

所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：

对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S₁，卷积核的大小为K₁×1；

将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S₂，卷积核的大小为K₂×1；

将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S₁，卷积核的大小为K₁×1；

将所述第三层特征分为两份，记为第一特征和第二特征；

对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S₂，卷积核的大小为K₁×1；

将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述第三特征的维数相同，所述第二特征和所述第四特征的维数相同；

将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；

将所述第二特征和所述第四特征进行合并，得到合并第二特征；

将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。

2.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层对所述处理后训练数据特征提取，得到初始特征。

3.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层对所述融合特征进行可视化。

4.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述S₁＝1，所述S₂＝2，所述K₁＝1，所述K₂＝2。