一种多特征来源残差网络的图像识别方法技术

本发明专利技术公开了一种多特征来源残差网络的图像识别方法，构建多特征来源残差网络模型，通过卷积层和最大池化层提取浅层特征，通过多个残差模块提取深层特征，将浅层特征和深层特征相加，作为全连接层和分类器的输入；采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。本发明专利技术提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度。

An Image Recognition Method Based on Multi-feature Source Residual Network

【技术实现步骤摘要】
一种多特征来源残差网络的图像识别方法
本专利技术属于图像识别领域，具体涉及一种多特征来源残差网络的图像识别方法。
技术介绍
卷积神经网络作为深度学习领域一大代表模型，在图像识别领域的表现一直名列前茅。经典的卷积神经网络模型包括LeNet、AlexNet、VGGNet、GoogleNet、深度残差网络等，其中深度残差网络作为2015年ILSVRC比赛中获得图像识别、检测、定位三项冠军的模型，解决了传统卷积神经网络模型由于层数加深而带来的网络退化问题，使深度学习网络模型可以达到一百多层甚至一千多层。但是，无论是传统的卷积神经网络模型还是深度残差网络，都是基于深层特征的分类模型，忽略了浅层特征的重要性。
技术实现思路
本专利技术的技术问题是传统的卷积神经网络模型和深度残差网络忽略浅层特征而导致图像识别结果精度损失，本专利技术的目的是提供一种多特征来源残差网络的图像识别方法，将图像的浅层特征与深层特征相结合，作为分类器的输入，提高图像识别的精度。本专利技术的技术方案是一种多特征来源残差网络的图像识别方法，包括以下步骤，步骤1：构建多特征来源残差网络模型，加入浅层特征连接，选择损失函数、激活函数，本文档来自技高网...

【技术保护点】
1.一种多特征来源残差网络的图像识别方法，其特征在于，包括以下步骤，步骤1：构建多特征来源残差网络模型，加入浅层特征连接，选择损失函数、激活函数，设置模型参数；步骤1.1：构建多特征来源残差网络模型，包括输入层、卷积层、最大池化层、多个残差模块、全连接层；步骤1.2：通过卷积层和最大池化层提取浅层特征，输出到全连接层；步骤1.3：通过多个残差模块提取深层特征，输出到全连接层；步骤1.4：将浅层特征和深层特征相加，作为全连接层的输入；步骤1.5：将全连接层连接到分类器；步骤2：列出多特征来源残差网络模型的识别目标对象的所有分类；步骤3：建立样本图片集，采用样本图片集对多特征来源残差网络模型进行训...

【技术特征摘要】
1.一种多特征来源残差网络的图像识别方法，其特征在于，包括以下步骤，步骤1：构建多特征来源残差网络模型，加入浅层特征连接，选择损失函数、激活函数，设置模型参数；步骤1.1：构建多特征来源残差网络模型，包括输入层、卷积层、最大池化层、多个残差模块、全连接层；步骤1.2：通过卷积层和最大池化层提取浅层特征，输出到全连接层；步骤1.3：通过多个残差模块提取深层特征，输出到全连接层；步骤1.4：将浅层特征和深层特征相加，作为全连接层的输入；步骤1.5：将全连接层连接到分类器；步骤2：列出多特征来源残差网络模型的识别目标对象的所有分类；步骤3：建立样本图片集，采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；步骤4：判断多特征来源残差网络模型对图片的识别分类的精度；步骤4.1：若未达到设定精度，则执行步骤3；步骤4.2：若达到设定精度，则执行步骤5；步骤5：采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。2....

【专利技术属性】
技术研发人员：任东，张亚倩，任顺，马凯，黄应平，杨信廷，陆安祥，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北,42