[发明专利]利用紧凑型深度卷积神经网络进行图像识别的方法

摘要

本发明涉及一种利用紧凑型深度卷积神经网络进行图像识别的方法。针对深度卷积神经网络的结构越来越复杂，参数规模过于庞大的问题，设计出一种新的紧凑型卷积神经网络结构Width‑MixedNet和其多分支的基本模块Conv‑mixed，该架构扩展了卷积神经网络的宽度。在深度卷积神经网络的识别任务中，使用多个小型卷积层叠加，逐层缩小特征图的方法代替全连接层作最后的特征提取。分别在CIFAR‑10、CIFAR‑100和MNIST数据集上进行实验，结果表明，Width‑MixedNet有更强的学习能力和表现能力，在提高识别精度的同时，大大降低了网络的参数规模。

主权项

1.一种利用紧凑型深度卷积神经网络进行图像识别的方法，其特征在于，利用以下的紧凑型深度卷积神经网络实现：所述紧凑型深度卷积神经网络包含一种新的基本模块Conv‑mixed，其中，前一层的输出(Previous layer)作为Conv‑mixed的输入，输入共有5个分支，分别为：P‑C0‑C1‑C2，P‑C3‑C4‑C5，P‑C6，P‑A‑C7，P‑C8；C8之后又是2个分支C8‑C9和C8‑C9，最后各个分支在输出通道上合并；在每一次的卷积操作之前，都对其输入进行BatchNormalization正则化，所有的卷积都采用ReLU激活函数进行非线性化；在分支结构里加入空洞卷积；在深度卷积神经网络的识别任务中，使用多个小型卷积层叠加，逐层缩小特征图的方法代替全连接层作最后的特征提取；在Conv‑mixed结构之前，先使用了少量的普通卷积和最大池化；优化Width‑MixedNet架构时，在Conv‑mixed合并多通道的特征图后面使用了多个1×1的卷积，在最后的Conv‑mixed结构之后是多个小型卷积层堆叠代替全连接层，作为最后的特征提取。