[发明专利]双路残差结构神经网络模型及图像目标识别系统

说明书

本发明公开了一种双路残差结构神经网络模型及图像目标识别系统。该双路残差结构神经网络模型包括至少两个依次级联的网络单元；每一网络单元均包括多个依次级联的卷积神经网络模块；网络单元的输入端和输出端间设置第一残差支路；两两网络单元间设置第二残差支路；第一残差支路的输入和输出均为待识别图像；第二残差支路的输入和输出均为前一网络单元中任意一个卷积神经网络模块的输出。本发明通过设置第一残差支路和第二残差支路的方式得到双路残差结构，能够促进图像特征的前向传播和梯度的反向传播，以弥补现有技术不能充分解决梯度弥散的问题，进而使得深度神经网络的特征提取性能和目标分类性能获得提升。

技术领域

本发明涉及计算机视觉图像识别技术领域，特别是涉及一种双路残差结构神经网络模型及图像目标识别系统。

背景技术

深度学习技术是一种重要的图像分类方法，由单层神经网络逐层叠加构造的深度神经网络具有良好的特征提取和图像分类性能。

但现有的用于图像分类的深度学习模型都存在一个显著的问题，即梯度弥散问题。受该问题制约，当深度学习模型达到一定深度时，由于反传梯度微弱而无法推动权值调节，从而影响模型分类性能的提升。

深度残差学习(Deep Residual Learning)是一种有效缓解深度神经网络梯度弥散的方法，该方法在深度神经网络中设计跨层连接，进而促进特征的前向传播和梯度的反向传播。但现有的深度残差学习模型(ResNet，Kaiming He,CVPR 2015)的跨层连接仅有一条，是一种单通路残差结构，仍然不能更充分的促进特征的前向传播和梯度的反向传播。

发明内容

为解决现有技术中存在上述问题，本发明提供了一种双路残差结构神经网络模型及图像目标识别系统。

为实现上述目的，本发明提供了如下方案：

一种双路残差结构神经网络模型，包括：至少两个依次级联的网络单元；

每一网络单元均包括多个依次级联的卷积神经网络模块；

所述网络单元的输入端和输出端间设置第一残差支路；两两网络单元间设置第二残差支路；所述第一残差支路的输入和输出均为待识别图像；所述第二残差支路的输入和输出均为前一网络单元中任意一个所述卷积神经网络模块的输出；所述第二残差支路用于将前一网络单元中任意一个所述卷积神经网络模块的输出叠加至后一网络单元中的任一卷积神经网络模块进行卷积处理，以得到目标识别结果。

优选地，每一网络单元均包括依次级联的第一卷积神经网络模块、第二卷积神经网络模块和第三卷积神经网络模块；

当前网络单元中的所述第一卷积神经网络模块的输入端与所述第三卷积神经网络模块的输出端之间设置有第一残差支路；所述当前网络单元中的第二卷积神经网络模块的输入端和与所述当前网络单元级联的下一网络单元中的第一卷积神经网络模块的输出端之间设置有第二残差支路；所述当前网络单元中的第一卷积神经网络模块的输入为所述待识别图像；所述第一残差支路的输出与所述当前网络单元中所述第三卷积神经网络模块的输出的叠加结果作为所述下一网络单元中的第一卷积神经网络模块的输入。

优选地，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均由单卷积层构成。

优选地，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均包括单卷积层和非线性激活层；所述非线性激活层添加在所述单卷积层之后。

优选地，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均由双卷积层构成。

优选地，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均包括双卷积层和非线性激活层；所述非线性激活层添加在所述双卷积层之后。