视觉仿生深度神经网络构建方法及其应用技术

本发明专利技术公开了一种视觉仿生深度神经网络构建方法，具体包括：S1、构建卷积神经网络分支和转换器分支；S2、构建网络架构：由视觉仿生(VBN)模块堆叠构成网络架构，所述VBN模块(VBNBlock)由一个卷积神经网络分支和一个转换器分支构成并行结构；S3、构建架构变体；S4、通过特征转换器将上述两分支特征融合；本发明专利技术解决了神经网络同时进行与人眼视觉机制类似的局部特征捕获和全局感知的问题，且具有更高的分类及检测精度特点。的分类及检测精度特点。的分类及检测精度特点。

【技术实现步骤摘要】
视觉仿生深度神经网络构建方法及其应用


[0001]本专利技术涉及视觉仿生深度神经网络模式识别
，具体涉及视觉仿生深度神经网络构建方法及其应用。

技术介绍

[0002]受猫的视觉神经元的启发，LeCun专利技术了最初的卷积神经网络(Convolutional Neural Networks，CNN)，从此之后的20余年来，由于其通过卷积对图像进行特征提取的特殊性质，在图像分类、目标检测、实例分割等任务上都具有较高性能，卷积神经网络几乎统治了整个深度学习的视觉领域。在LeCun之后，Larochelle和Hinton使用基于三阶连接玻尔兹曼机(Restricted Boltzmann Machine，RBM)的模型来模仿了人眼扫视的功能。Denil等人使用深度受限玻尔兹曼机(deep
‑
Restricted Boltzmann Machines)将每一时间点上的观察结果组成中央凹，并且分辨率朝着凝视的边缘衰减的形式来对人类视觉进行仿真。此外，VGGNet、ResNet、GoogleNet和MobileNet等卷积神经网络都是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视觉仿生深度神经网络构建方法，其特征在于，具体包括以下步骤：S1、构建卷积神经网络分支和转换器分支；S2、构建网络架构：由视觉仿生模块堆叠构成网络架构，所述VBN模块由一个卷积神经网络分支和一个转换器分支构成并行结构；S3、构建架构变体；S4、通过特征转换器将上述两分支特征融合。2.根据权利要求1所述一种视觉仿生深度神经网络构建方法，其特征在于，所述卷积神经网络分支的构建中采用倒残差结构，且将深度可分离卷积的卷积核增大到5
×
5。3.根据权利要求1所述一种视觉仿生深度神经网络构建方法，其特征在于，所述卷积神经网络分支的构建中，在深度可分离卷积进行特征提取后，引入GELU激活函数，其形式定义为:为:其中指的是高斯正态分布的累计分布。4.根据权利要求1所述一种视觉仿生深度神经网络构建方法，其特征在于，所述特征融合采...

【专利技术属性】
技术研发人员：李兆飞，毛宇凡，赵俊，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：