【技术实现步骤摘要】
一种用于深度学习的多层递阶式神经网络架构系统
本专利技术涉及深度学习技术的
，特别是涉及一种用于深度学习的多层递阶式神经网络架构系统。
技术介绍
随着并行计算的突飞猛进，深度学习技术在近年得到了长足发展，通过卷积神经网络的创新应用，在图像识别方面已经得到了广泛的应用，尤其是基于数据的分类应用，或者称为监督式的学习应用，在已知数据分类结果的前提下，根据预先数据的分类结果来生成数据模型，通过调整模型的参数及权重值，来得到所预先定义的模型分类结果。深度学习在包括目标识别、图像分割、图像生成等多个方面得到广泛应用。在深度学习中，训练数据的收集，训练数据的质量和数量，不同深度学习模型结构对数据的需求是决定深度学习模型精度的主要因素。在工业检测领域，深度学习应用主要目的是识别成品及半成品的瑕疵，经常面对的是复杂背景下的具备相似特征的缺陷，这使得背景和缺陷很难简单区分开，这需要面对两个层面的不确定性，一个是复杂背景的不确定性，一个是相似特征缺陷的不确定性。目前常用的深度学习分类方法没有针对复杂背景下相似特征缺陷的特定办法，因此针对检...
【技术保护点】
1.一种用于深度学习的多层递阶式神经网络架构系统，其特征在于，包括：/n上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；/n下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；/n聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特...
【技术特征摘要】
1.一种用于深度学习的多层递阶式神经网络架构系统，其特征在于，包括：
上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；
下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；
聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益。
2.如权利要求1所述的一种用于深度学习的多层递阶式神经网络架构系统，其特征在于，其中在上层模块中允许某种程度相似特征类别的错误分类，可以有效地过滤掉精细分类所需要的非常详细...
【专利技术属性】
技术研发人员：黄西士，吕越峰，张剑，
申请(专利权)人：苏州富鑫林光电科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。