[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

说明书

本发明涉及一种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，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。本发明不但错误率低，而且有效减少网络的参数量，有利于提升模型泛化能力。

技术领域

本发明涉及图像识别的技术领域，尤其是指一种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。

背景技术

深度学习作为机器学习领域的研究热点之一，近年来取得了重大突破。卷积神经网络作为深度学习的代表，应用最为广泛，其典型的应用包括图像识别、场景分割、目标检测等。

卷积神经网络已经在不同应用不同任务中取得了显著的效果，但是如此优秀的表现伴随着显著的计算成本，其与该领域的传统算法相比有着更大的运算量及参数量。随着卷积神经网络模型不断逼近计算机视觉任务的精度极限，大部分的深度卷积神经网络的结构也变得愈发复杂，计算卷积层和全连接层需要大量的浮点矩阵运算，计算开销异常昂贵，从在现实中落地的角度，模型过大过深都不利于在对实时性、存储空间、能耗有严格限制的移动设备、嵌入式芯片上使用。为了方便应用，因此需要设计更加轻量级的网络模型。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中卷积神经网络卷积核过于单一、不具备多样性以及网络结构复杂、参数冗余的问题，从而提供一种低错误率，有效减少网络的参数量，提升模型泛化能力的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。

为解决上述技术问题，本发明的一种融合模块，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。

在本发明的一个实施例中，所述融合层中，使用不同尺度的卷积核。

在本发明的一个实施例中，所述瓶颈结构中设有1×1卷积层和3×3卷积层。

在本发明的一个实施例中，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。

在本发明的一个实施例中，所述融合层具有五个卷积分支通道。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

本发明还公开了一种多尺度特征融合卷积神经网络，包括：输入层、第一卷积层、最大池化层、多个上述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。

在本发明的一个实施例中，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。