基于并行不对称空洞卷积的深度学习网络的图像分类方法技术

本发明专利技术公开一种基于并行不对称空洞卷积的深度学习网络的图像分类方法。该方法通过引入不对称卷积构建了一种基于卷积并行性的并行不对称空洞卷积模块。该模块由不对称卷积与空洞卷积构成，通过不对称卷积结构的特殊性，使得模块在不改变感受野的情况下充分利用特征图所含信息，提高了网络模型的特征表达能力。并行不对称空洞卷积模块可以用来代替传统的连续卷积，在不增加模型复杂度的情况下，提升整个模型的准确率。嵌入该模块的任意模型对图像进行分类，会提高了分类效果。该模块嵌入方法易于实现，可用于任意模型，使模型具有更好的鲁棒性和准确率。

【技术实现步骤摘要】
基于并行不对称空洞卷积的深度学习网络的图像分类方法
本专利技术涉及网络模式识别
，涉及可以嵌入任意网络结构的一种并行不对称空洞卷积模块，具体是基于并行不对称空洞卷积的深度学习网络的图像分类方法。
技术介绍
卷积神经网络广泛应用于图像分类、语义分割和图像生成等计算机视觉领域，其通过卷积核对图像中的局部区域做卷积，以提取图像中的特征，在每一层的卷积中通过参数共享以减少模型复杂度，之后结合池化操作实现位移不变性的识别。现有的卷积神经网络普遍将3×3卷积作为其基本构建模块。对于卷积神经网络而言，卷积核的感受野、深度以及通道数决定了网络的性能。感受野越大，表示特征图上像素点映射的区域越大；深度决定了网络的抽象能力或学习能力；通道数决定了卷积核所包含的信息量大小。感受野和通道数共同决定了卷积层学习有效信息与空间的能力。传统的卷积操作主要有三个缺点：一是使用的是局部操作，不能得到比较大的范围甚至图像的全局特征，且卷积核是固定的尺寸；二是对物体的形状、姿态变化缺少适应性；三是当特征的通道数变大后，卷积核的参数也变得庞大，增加了运算量。传统的卷积操本文档来自技高网...

【技术保护点】
1.基于并行不对称空洞卷积的深度学习网络的图像分类方法，其特征在于该方法包括以下步骤：/n步骤(1)、构建数据集，其中输入样本为二维图像，输出样本为对应图像目标分类结果；/n步骤(2)、构建基于并行不对称空洞卷积的分类模型，并利用数据集进行训练/n将现有分类模型中的部分或全部n×n卷积层(其中n为奇数)替换为并行不对称空洞卷积模块；/n并行不对称空洞卷积模块包括一个空洞率为1的

【技术特征摘要】
1.基于并行不对称空洞卷积的深度学习网络的图像分类方法，其特征在于该方法包括以下步骤：
步骤(1)、构建数据集，其中输入样本为二维图像，输出样本为对应图像目标分类结果；
步骤(2)、构建基于并行不对称空洞卷积的分类模型，并利用数据集进行训练
将现有分类模型中的部分或全部n×n卷积层(其中n为奇数)替换为并行不对称空洞卷积模块；
并行不对称空洞卷积模块包括一个空洞率为1的空洞卷积层、两个非对称卷积层、一个融合层；空洞卷积层、两个非对称卷积层并行设置，并输入至融合层；其中两个非对称卷积层包括1×(n)卷积层、(n)×1卷积层；
步骤(3)、利用训练好的基于并行不对称空洞卷积的分类模型，用以实现图像的目标分类。


2.如权利要求1所述的基于并行不对称空洞卷积的深度学习网络的图像分类方法，其特征在于空...

【专利技术属性】
技术研发人员：张智杰，李秀梅，孙军梅，尉飞，赵宝奇，葛青青，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：浙江;33