[发明专利]融合模块和多尺度特征融合卷积神经网络及图像识别方法

权利要求书

1.一种融合模块，其特征在于：包括上一层、融合层以及级联层，所述上一层将输入图片通过所述融合层运算，再将运算完成的结果通过所述级联层进行合并输出，所述融合层由在原始模块中加入瓶颈结构和空洞卷积结构共同组合而成。

2.根据权利要求1所述的融合模块，其特征在于：所述融合层中，使用不同尺度的卷积核。

3.根据权利要求1所述的融合模块，其特征在于：所述瓶颈结构中设有1×1卷积层和3×3卷积层。

4.根据权利要求1所述的融合模块，其特征在于：所述空洞卷积的区域尺寸计算公式为：F(r)＝(2^r+1-1)×(2^r+1-1)，其中超参数r表示每个像素之间填充r-1个空格。

5.根据权利要求1所述的融合模块，其特征在于：所述融合层具有五个卷积分支通道。

6.根据权利要求1所述的融合模块，其特征在于：所述融合模块的参数量F(i，n)的计算方法为：其中k×k为当前卷积核尺寸，C_in为输入通道数，C_out为输出通道数。

7.根据权利要求1所述的融合模块，其特征在于：所述融合模块的计算量Flops(i，n)的计算方法为：其中k×k为当前卷积核尺寸，C_in为输入通道数，C_out为输出通道数。

8.一种多尺度特征融合卷积神经网络，其特征在于，包括：输入层、第一卷积层、最大池化层、多个权利要求1-7中任意一项所述的融合模块、分类输出层以及输出层，且每个融合模块的前一层和后一层均使用1×1的卷积操作。

9.根据权利要求8所述的多尺度特征融合卷积神经网络，其特征在于：每个融合模块的前一层和后一层均使用1×1的卷积操作包括：第二卷积层、第一融合模块、第三卷积层、第二融合模块、第四卷积层、第三融合模块、第五卷积层、第四融合模块、第六卷积层、第七卷积层第一融合模块、第二融合模块、第三融合模块、第四融合模块，且所述输入层、第一卷积层、最大池化层、第二卷积层、第一融合模块、第三卷积层、第二融合模块、第四卷积层、第三融合模块、第五卷积层、第四融合模块、第六卷积层、第七卷积层、分类输出层以及输出层按照拓扑结构有序连接。

10.一种多尺度特征融合卷积神经网络的图像识别方法，其特征在于，包括：

步骤S1：对多尺度特征融合卷积神经网络的输入图片进行卷积池化操作；

步骤S2：对每个融合模块的前一层和后一层均使用1×1的卷积操作；

步骤S3：将所述多尺度特征融合卷积神经网络的输出端通过全局平均池化层或者卷积层进行分类输出。