[发明专利]一种并行特征全卷积神经网络装置及其构建方法

摘要

本发明公开了一种并行特征全卷积神经网络及其构建方法。所述神经网络包括卷积神经网络，并行膨胀模块，并行特征上采样模块，特征图求和模块，特征图并列模块和几个卷积层。构建方法为：移除卷积神经网络最后的分类层，设计并行膨胀模块和并行特征上采样模块提取卷积神经网络中间层特征图；特征图求和模块提取出的特征图，通过加法操作两两相加；特征图并列模块提取出的特征图直接并列输出；从上述特征图求和模块、特征图并列模块输出的特征图分别组成一个张量，通过一个对应的卷积层，然后共同输入到网络末端的卷积层，融合所有加和及并列特征，输出融合结果。本发明有较少的网络参数量，更好地利用了网络中的特征图，可以应用到图像的像素级别标注任务中。

主权项

1.一种并行特征全卷积神经网络，其特征在于，包括卷积神经网络，并行膨胀模块，并行特征上采样模块，特征图求和模块，特征图并列模块和几个卷积层，其中：所述卷积神经网络为网络主体，包括卷积层和池化层，从卷积层和池化层中提取特征图；所述并行膨胀模块，包含U个不同的膨胀卷积层，其中每个膨胀卷积层设置不同膨胀因子，U是1到16间的任意值，U个膨胀卷积层的膨胀因子应各不相同，且不超过16；膨胀卷积层用于扩大感受野，感受野的定义是卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小；同时包含一个空白支路，不对该支路的特征图进行任何操作，该空白支路用于提取不经过膨胀的特征图，并行膨胀模块的输出是由所有支路特征图合并而成的一个张量，包含了经过不同膨胀因子以及不膨胀处理的特征图；所述并行特征上采样模块，若卷积神经网络有M次降采样过程，则包括M－1个上采样支路，每个上采样支路的输入来自于对应并行膨胀模块的输出，对于从第二次降采样后的特征图，对应上采样支路需要1个反卷积层，第三次降采样后的特征图需要2个反卷积层，依次类推，第M次降采样后的特征图上采样支路需要M‑1个反卷积层；所述特征图求和模块，从并行特征上采样模块中提取出的特征图，通过加法操作两两相加，然后将所有加和的特征图输出；所述特征图并列模块，从并行特征上采样模块中提取出的特征图，直接并列输出；从上述特征图求和模块输出的特征图组成一个张量；同时另一边，没有经过和操作的特征图并列模块输出的特征图也组成一个张量，这两个张量分别先通过一个对应的卷积层以加深网络深度，然后共同输入到网络末端的卷积层，融合所有加和及并列特征，以输出融合结果。