[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

说明书

本发明涉及一种基于残差结构的神经网络目标识别方法及系统，该方法包括：获取目标图像数据，并对目标图像数据按目标类别进行标注，形成训练数据；对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，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，根据处理后训练数据，利用联合损失函数对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；将处理后待识别数据输入到训练好的网络模型，输出识别结果。通过本发明的上述方法能够提高目标识别的准确率。

技术领域

本发明涉及目标识别领域，特别是涉及一种基于残差结构的神经网络目标识别方法及系统。

背景技术

设计一种良好的神经网络结构是提高分类性能的高效且具有挑战性的方法之一。在数据集样本数量充足的前提下，通过增加神经网络的深度和宽度可以提高模型的学习能力，AlexNet和VGG的两种结构均证明模型识别准确率在一定范围内与网络深度成正相关。但是随着网络深度的增加，卷积神经网络在训练时的反向传播过程中可能会出现梯度爆炸、消失以及网络识别率饱和的问题。即网络无法学习到新的有效特征，并且识别准确率随着网络深度增加而下降。针对这一问题，何凯明等提出残差结构，通过跳跃连接保持浅层特征的完整性，避免网络性能随着深度增加而降低。但是残差结构网络仍需要增加网络深度来提高识别效果。

发明内容

本发明的目的是提供一种基于残差结构的神经网络目标识别方法及系统，能够提高目标识别的准确率。

为实现上述目的，本发明提供了如下方案：

一种基于残差结构的神经网络目标识别方法，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。

可选的，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；