一种基于残差结构的神经网络目标识别方法及系统技术方案

本发明专利技术涉及一种基于残差结构的神经网络目标识别方法及系统，该方法包括：获取目标图像数据，并对目标图像数据按目标类别进行标注，形成训练数据；对训练数据进行归一化和零均值化，得到处理后训练数据；构建残差结构的神经网络，残差结构的神经网络包括依次连接的卷积模块层、第一全连接层和输出层，根据处理后训练数据，利用联合损失函数对构建残差结构的神经网络进行训练，得到训练好的网络模型；获取待识别目标图像数据，并对待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；将处理后待识别数据输入到训练好的网络模型，输出识别结果。通过本发明专利技术的上述方法能够提高目标识别的准确率。

A neural network target recognition method and system based on residual structure

【技术实现步骤摘要】
一种基于残差结构的神经网络目标识别方法及系统
本专利技术涉及目标识别领域，特别是涉及一种基于残差结构的神经网络目标识别方法及系统。
技术介绍
设计一种良好的神经网络结构是提高分类性能的高效且具有挑战性的方法之一。在数据集样本数量充足的前提下，通过增加神经网络的深度和宽度可以提高模型的学习能力，AlexNet和VGG的两种结构均证明模型识别准确率在一定范围内与网络深度成正相关。但是随着网络深度的增加，卷积神经网络在训练时的反向传播过程中可能会出现梯度爆炸、消失以及网络识别率饱和的问题。即网络无法学习到新的有效特征，并且识别准确率随着网络深度增加而下降。针对这一问题，何凯明等提出残差结构，通过跳跃连接保持浅层特征的完整性，避免网络性能随着深度增加而降低。但是残差结构网络仍需要增加网络深度来提高识别效果。
技术实现思路
本专利技术的目的是提供一种基于残差结构的神经网络目标识别方法及系统，能够提高目标识别的准确率。为实现上述目的，本专利技术提供了如下方案：一种基于残差结构的神经网络目标识别方法，所述目标识别方法包括：获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；对所述训练数据进行归一化和零均值化，得到处理后训练数据；构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。可选的，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；将所述第三层特征分为两份，记为第一特征和第二特征；对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；将所述第二特征和所述第四特征进行合并，得到合并第二特征；将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。可选的，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层对所述处理后训练数据特征提取，得到初始特征。可选的，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层对所述第一融合特征进行可视化。可选的，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。一种基于残差结构的神经网络目标识别系统，所述目标识别系统包括：训练数据获取模块，用于获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；处理后训练数据确定模块，用于对所述训练数据进行归一化和零均值化，得到处理后训练数据；残差结构的神经网络构建模块，用于构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；网络模型训练模块，用于根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；处理后待识别数据获取模块，用于获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；识别模块，用于将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。可选的，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：第一层特征确定单元，用于对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；第二层特征确定单元，用于将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；第三层特征确定单元，用于将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；第一特征和第二特征确定单元，用于将所述第三层特征分为两份，记为第一特征和第二特征；第四层特征确定单元，用于对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；第三特征和第四特征确定单元，用于将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；第一特征相加单元，用于将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；第二特征合并单元，用于将所述第二特征和所述第四特征进行合并，得到合并第二特征；融合特征确定单元，用于将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。可选的，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层用于对所述处理后训练数据特征提取，得到初始特征。可选的，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层用于对所述第一融合特征进行可视化。可选的，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供一种基于残差结构的本文档来自技高网...

【技术保护点】
1.一种基于残差结构的神经网络目标识别方法，其特征在于，所述目标识别方法包括：/n获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；/n对所述训练数据进行归一化和零均值化，得到处理后训练数据；/n构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；/n根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；/n获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；/n将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。/n

【技术特征摘要】
1.一种基于残差结构的神经网络目标识别方法，其特征在于，所述目标识别方法包括：
获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；
对所述训练数据进行归一化和零均值化，得到处理后训练数据；
构建残差结构的神经网络，所述残差结构的神经网络包括：依次连接的卷积模块层、第一全连接层和输出层，所述卷积模块层包括多个卷积模块，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，所述第一全连接层将所述融合特征按设定顺序排序得到一维特征向量，所述输出层根据所述一维特征向量利用分类器对所述训练数据进行分类，输出分类结果；
根据所述处理后训练数据，利用联合损失函数对所述构建残差结构的神经网络进行训练，得到训练好的网络模型；
获取待识别目标图像数据，并对所述待识别目标图像数据进行归一化和零均值化，得到处理后待识别数据；
将所述处理后待识别数据输入到所述训练好的网络模型，输出识别结果。


2.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述卷积模块对所述处理后训练数据的不同层进行特征提取和融合，得到融合特征，具体包括：
对所述处理后训练数据进行第一层卷积操作，得到第一层特征，所述第一层卷积的步长为S1，卷积核的大小为K1×1；
将所述第一层特征均分为Z份，并采用Z个第二层卷积对相应的每份特征进行卷积操作，得到Z个第二层特征，所述第二层卷积的步长为S2，卷积核的大小为K2×1；
将Z个所述第二层特征进行合并，得到合并第二层特征，并采用第三层卷积对所述合并第二层特征进行卷积操作，得到第三层特征，所述第三层卷积的步长为S1，卷积核的大小为K1×1；
将所述第三层特征分为两份，记为第一特征和第二特征；
对所述处理后训练数据进行第四层卷积操作，得到第四层特征，所述第四层卷积的步长为S2，卷积核的大小为K1×1；
将所述第四层特征分为两份，记为第三特征和第四特征，所述第一特征和所述三特征的维数相同，所述第二特征和所述第四特征的维数相同；
将所述第一特征中的各元素和所述第三特征中的各元素相加，得到相加第一特征；
将所述第二特征和所述第四特征进行合并，得到合并第二特征；
将所述相加第一特征和所述合并第二特征进行合并，得到融合特征。


3.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述残差结构的神经网络还包括：初始卷积层，所述初始卷积层的输出和所述卷积模块层的输入连接，所述初始卷积层对所述处理后训练数据特征提取，得到初始特征。


4.根据权利要求1所述的基于残差结构的神经网络目标识别方法，其特征在于，所述残差结构的神经网络还包括：第二全连接层，所述第二全连接层的输出和所述输出层的输入连接，所述第二全连接层对所述第一融合特征进行可视化。


5.根据权利要求2所述的基于残差结构的神经网络目标识别方法，其特征在于，所述S1＝1，所述S2＝2，所述K1＝1，所述K2＝2。


6.一种基于残差结构的神经网络目标识别系统，其特征在于，所述目标识别系统包括：
训练数据获取模块，用于获取目标图像数据，并对所述目标图像数据按目标类别进行标注，形成训练数据；...

【专利技术属性】
技术研发人员：但波，付哲泉，杨富程，戢治洪，高山，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东;37