申请/专利权人：西安理工大学

申请日：2020-06-05

公开（公告）日：2024-04-16

公开（公告）号：CN111914993B

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/0495;G06N3/08;G06V30/18;G06V30/19;G06V30/28;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.11.27#实质审查的生效;2020.11.10#公开

摘要：本发明公开了基于非均匀分组的多尺度深度卷积神经网络模型构建方法,属于神经网络结构优化加速研究领域。本发明基于非均匀分组的多尺度轻量化特征融合卷积层，减少神经网络的参数量以及运算量。模块主要由1*1的点卷积层，神经网络模型M_blockNet_v1，深度卷积层以及基于非均匀分组的多尺度融合层构成；神经网络模型M_blockNet_v1，应用于CASIA‑HWDB1.1手写汉字的数据集、FacialKeypointsDetection数据集以及Celeba数据集三个数据集上与经典的轻量型神经网络进行,提高神经网络的运算效率以及精度，在对精度影响较小的情况下，极大的提升了网络的运算速度。

主权项：1.基于非均匀分组的多尺度深度卷积神经网络模型构建方法,基于膨胀卷积的多尺度特征融合层1*1点卷积、3*3普通卷积和3*3的膨胀卷积代替原有的1*1的点卷积的特征融合层；采用非均匀分组的方法以减少计算量以及参数量：其特征在于，输入通道分成三组，1*1点卷积包含输入输出通道数的23，3*3普通卷积包含输入输出通道数的16，3*3膨胀卷积包含输入输出通道数的16，将不同尺度分组得到的特征进行连接得到最终输出，具体包括以下步骤；步骤1、对膨胀卷积的多尺度特征融合层中每个尺度的卷积核输入包含全部的输入通道，在基于非均匀分组的多尺度特征融合中每个尺度的卷积核输入仅包含部分输入通道，将不同尺度分组得到的特征进行连接得到最终输出特征；步骤2、特征融合层包括M_block模块：主要由1*1的点卷积层、深度卷积层以及基于非均匀分组的多尺度特征融合层构成，其中包括提出了两种基于非均匀分组的多尺度轻量型卷积模块，分别是M_block_v1以及M_block_v2；M_block_v1，M_block_v2；图表示M_block_v1，图表示M_block_v2；将所有的模块分别应用在设计的M_blockNet网络结构中替换M_block结构进行对比；在三个数据集上进行实验，在CASIA-HWDB1.1手写汉字数据集上训练了10代，在FacialKeypointsDetection数据集上训练了400代，在Celeba数据集上训练了200代；步骤3、采用非均匀分组的方法以减少计算量以及参数量；步骤4、不同尺度分组得到的特征进行连接得到最终输出特征；其中，包括；M_blockNet_v1以及M_blockNet_v2进行训练；1在模型的训练中输入图像，并对输入图像进行预处理归一化处理；2将与处理后的图像，输入深度卷积神经网络结构中进行特征的提取；并得到最终的结果；将当前的训练次数n+1；3判断n是否大于初始设置的训练代数，当大于时则停止训练，当小于时则继续训练；M_block_v1与M_block_v2主要运算流程如下：1使用1*1的点卷积进行特征提取，仅在M_block_v2中有本步操作；2使用深度卷积提取输入特征图像的特征；3对提取后的特征进行融合，分别输入点卷积输出和输入特征图通道数均占总的输入和输出特征图通道数的23，输入普通卷积输出和输入特征图通道数均占总的输入和输出特征图通道数的16，输入膨胀卷积输出和输入特征图通道数均占总的输入和输出特征图通道数的16；4将三个不同卷积输出的通道进行合并Concat；5将输入特征通道与输出特征通道对应值相加，仅在M_block_v2中有本步操作。

全文数据：

权利要求：

百度查询： 西安理工大学 基于非均匀分组的多尺度深度卷积神经网络模型构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD