[发明专利]基于非均匀分组的多尺度轻量型深度卷积神经网络模型

权利要求书

1.基于非均匀分组的多尺度轻量型深度卷积神经网络模型,首先采用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；其次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2/3，3*3普通卷积包含输入输出通道数的1/6，3*3膨胀卷积包含输入输出通道数的1/6，将不同尺度分组得到的特征进行连接得到最终输出，具体包括一下步骤；

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；

步骤2、特征融合中采用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；

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。

2.根据权利要求1所述基于非均匀分组的多尺度轻量型深度卷积神经网络模型，其特征在于，所述模块主要由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；

M_block_v1和M_block_v2(图3)；(a)图表示M_block_v1，(b)图表示M_block_v2，I表示输入特征图通道数，h与w表示特征图的宽和高，c表示卷积核的大小，s表示卷积运算的步长，Dw表示深度卷积，Conv1、Conv2以及Conv3共同构成基于非均匀分组的多尺度轻量化融合层。

3.根据权利要求2所述基于非均匀分组的多尺度轻量型深度卷积神经网络模型，其特征在于，所述神经网络多尺度轻量型卷积模块、1*1的点卷积层以及深度卷积层共同构建网络模型，构建的轻量型神经网络模型主要依据经典的轻量型神经网络进行改进；

非均匀分组的多尺度特征融合层相比1*1的点卷积特征融合层具备更少的计算量以及参数量，增加特征融合的多样性；

非均匀分组的多尺度轻量型卷积模块替换由1*1点卷积特征融合层和深度卷积层构成的模块，可达到在不增加计算量以及参数量的情况下增加特征融合多样性的效果。

4.根据权利要求1所述基于非均匀分组的多尺度轻量型深度卷积神经网络模型，其特征在于，所述结构分别在第3层和第7层使用基于非均匀分组的多尺度轻量型卷积模块针对性的改变通道数；

最终由基于非均匀分组的多尺度轻量型卷积模块M_block_v1以及M_block_v2优化的轻量型神经网络结构M_blockNet_v1以及M_blockNet_v2；

如表1与表2所示：

表1 M_blockNet_v1神经网络各层结构数据

表2 M_blockNet_v2神经网络各层结构数据

表1和表2中输出的32*32*32中前两个数字表示输出图像大小，最后一个表示输出特征图的数目；卷积核大小3*3表示卷积核的长*宽。表中Dw表示深度卷积层，Conv表示普通卷积层，Max_pooling表示最大池化层，Global_Pooling表示平均池化层，Fc表示全连接层。