一种基于轻量化网络的物体分类方法技术

本发明专利技术提供一种基于轻量化网络的物体分类方法，包括以下步骤：构建轻量化网络，采集样本图像并处理，利用处理后的样本图像训练轻量化网络，得到训练好的轻量化网络，通过训练好的轻量化网络对待识别物体的图像进行推演：根据多个预设的膨胀率对待识别物体的图像进行空洞卷积提取得到多个不同的图像特征，然后以自适应权重赋值的方式为图像特征赋予权重并进行特征融合，最终输出分类结果。本发明专利技术提供一种基于轻量化网络的物体分类方法，解决了现有的物体分类技术在低资源环境下所能取得的分类准确度较低的问题。分类准确度较低的问题。分类准确度较低的问题。

【技术实现步骤摘要】
一种基于轻量化网络的物体分类方法


[0001]本专利技术涉及人工智能的
，更具体的，涉及一种基于轻量化网络的物体分类方法。

技术介绍

[0002]人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门技术科学，研究目的是促使智能机器会听(语音识别、机器翻译等)、会看(图像识别、文字识别等)、会说(语音合成、人机对话等)、会思考(人机对弈、定理证明等)、会学习(机器学习、知识表示等)、会行动(机器人、自动驾驶汽车等)。当前最热门的人工智能商业化技术之一，就是设备无须联网通过云端数据中心进行大规模计算，而是在本地计算就能够实现人工智能，在不联网的情况下就可以做实时环境感知、人机交互、决策控制。
[0003]人工智能系统可以接受来自运行状况良好且发生故障的机器的数据的训练，以在获取实时数据后发现潜在问题。运行在服务器上的神经网络虽然是目前流行的选择，但并不是唯一可用的人工智能解决方案，例如嵌入式系统的深度神经网络。但用于嵌入式系统的深度神经网络对计算能力和资源都有非常高的要求，导致系统功耗的增加；支持深度神经网络加速的处理器通常是集成多种体系结构的复杂SoC，使用成本极高。
[0004]因此，现有的物体分类技术大多采用复杂度较高、成本昂贵的芯片，在低资源、低成本的芯片上难以实现，也并不适应单一的任务，容易造成资源浪费；而可以在低资源环境下实现的物体分类技术，采用的模型简单、训练策略和评价策略单一，所能取得的分类准确度较低。

技术实现思路

[0005]本专利技术为克服现有的物体分类技术在低资源环境下所能取得的分类准确度较低的技术缺陷，提供一种基于轻量化网络的物体分类方法。
[0006]为解决上述技术问题，本专利技术的技术方案如下：
[0007]一种基于轻量化网络的物体分类方法，包括以下步骤：
[0008]构建轻量化网络，采集样本图像并处理，利用处理后的样本图像训练轻量化网络，得到训练好的轻量化网络，通过训练好的轻量化网络对待识别物体的图像进行推演：
[0009]根据多个预设的膨胀率对待识别物体的图像进行空洞卷积提取得到多个不同的图像特征，然后以自适应权重赋值的方式为图像特征赋予权重并进行特征融合，最终输出分类结果。
[0010]上述方案中，通过轻量化网络根据多个预设的膨胀率对待识别物体的图像进行空洞卷积，提取得到多个不同层次的图像特征，在高实时性的同时增强了对物体的分类能力，网络结构简单，计算成本低，能够更好地在嵌入式终端设备上实现实时高效物体分类；同时通过融合不同层次的图像特征，提高了对图像细节的感知能力。
[0011]优选的，所述轻量化网络包括依次连接的第一卷积层、归一化层、第一block层、第
二block层、池化层、第二卷积层、第三block层；还包括第一空洞卷积层、第二空洞卷积层、第三空洞卷积层、融合层和全连接层；其中，
[0012]所述第一block层的分支输出端与第一空洞卷积层的输入端连接，第二block层的分支输出端与第二空洞卷积层的输入端连接，第三block层的分支输出端与第三空洞卷积层的输入端连接，第一空洞卷积层的输出端、第二空洞卷积层的输出端和第三空洞卷积层的输出端分别与融合层的输入端连接，融合层的输出端与全连接层的输入端连接。
[0013]优选的，所述第一block层、第二block层和第三block层分别包括一深度可分离层、一升维卷积层、一正则化卷积层、一下采样层、一降维卷积层、两全连接层、一注意力层和两残差层；在任意block层中，
[0014]深度可分离层、升维卷积层、正则化卷积层、下采样层、降维卷积层、一全连接层、另一全连接层依次连接，深度可分离层的输出端还通过一残差层与另一全连接层的输入端连接，正则化卷积层的输出端还通过另一残差层与一全连接层的输入端连接，升维卷积层的输出端还通过意力层与降维卷积层的输入端连接。
[0015]优选的，假设待识别物体的图像的尺寸为X*X，输出尺寸为W*W，卷积核尺寸为N*N，步长为Stride，填充为Padding，膨胀率为L，则空洞卷积的定义为
[0016][0017]优选的，进行特征融合后得到的新特征矩阵O为：
[0018]O＝α*F1+*2+*3[0019]α,β,γ∈[0,1][0020]α+β+γ＝1
[0021]其中，F1表示第一Block层输出的特征矩阵，F2表示第二Block层输出的特征矩阵，F3表示第三Block层输出的特征矩阵，α表示F1的权重，β表示F2的权重，γ表示F3的权重。
[0022]优选的，处理样本图像的步骤包括：
[0023]A1：将样本图像进行灰度化处理，得到灰度图像；
[0024]A2：将灰度图像随机划分为训练样本图像和测试样本图像；
[0025]A3：对训练样本图像进行图像增广操作，得到增强训练样本图像；
[0026]A4：对增强训练样本图像进行高斯金字塔下采样，得到下采样训练样本图像。
[0027]优选的，图像增广操作包括：随机进行垂直旋转，随机进行水平旋转，随机添加高斯滤波，随机进行裁剪，20％概率随机进行擦除图像，以及以30％概率随机改变图像的亮度、对比度和饱和度。
[0028]优选的，对增强训练样本图像进行高斯金字塔下采样具体为：使用高斯低通滤波器对增强训练样本图像进行高斯平滑，对经高斯平滑处理后的增强训练样本图像依次经过下采样、最大池化操作、平均池化操作、标签平滑和SGD优化器的处理。
[0029]优选的，训练轻量化网络的步骤包括：
[0030]B1：设定轻量化网络的损失函数、最优损失函数值、最优损失函数值替换次数阈值和最大训练次数；
[0031]B2：将下采样训练样本图像输入轻量化网络中，得到当前损失函数值；
[0032]B3：比较当前损失函数值与最优损失函数值的大小，当当前损失函数值小于最优
损失函数值时，将当前损失函数值替换最优损失函数值，并记录替换次数，否则不进行替换；
[0033]B4：比较替换次数与最优损失函数值替换次数阈值的大小，当替换次数小于最优损失函数值替换次数阈值时，返回步骤S2进行下一轮训练，否则轻量化网络训练完成，得到训练好的轻量化网络。
[0034]优选的，训练轻量化网络时，在卷积层、归一化层、池化层、全连接层、注意力层使用Dropout捡取法。
[0035]与现有技术相比，本专利技术技术方案的有益效果是：
[0036]本专利技术提供了一种基于轻量化网络的物体分类方法，通过轻量化网络根据多个预设的膨胀率对待识别物体的图像进行空洞卷积，提取得到多个不同层次的图像特征，在高实时性的同时增强了对物体的分类能力，网络结构简单，计算成本低，能够更好地在嵌入式终端设备上实现实时高效物体分类；同时通过融合不同层次的图像特征，提高了对图像细节的感知能力。
附图说明
[0037]图1为本专利技术中轻量化网络的网络结构示意图。
具体实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化网络的物体分类方法，其特征在于，包括以下步骤：构建轻量化网络，采集样本图像并处理，利用处理后的样本图像训练轻量化网络，得到训练好的轻量化网络，通过训练好的轻量化网络对待识别物体的图像进行推演：根据多个预设的膨胀率对待识别物体的图像进行空洞卷积提取得到多个不同的图像特征，然后以自适应权重赋值的方式为图像特征赋予权重并进行特征融合，最终输出分类结果。2.根据权利要求1所述的一种基于轻量化网络的物体分类方法，其特征在于，所述轻量化网络包括依次连接的第一卷积层、归一化层、第一block层、第二block层、池化层、第二卷积层、第三block层；还包括第一空洞卷积层、第二空洞卷积层、第三空洞卷积层、融合层和全连接层；其中，所述第一block层的分支输出端与第一空洞卷积层的输入端连接，第二block层的分支输出端与第二空洞卷积层的输入端连接，第三block层的分支输出端与第三空洞卷积层的输入端连接，第一空洞卷积层的输出端、第二空洞卷积层的输出端和第三空洞卷积层的输出端分别与融合层的输入端连接，融合层的输出端与全连接层的输入端连接。3.根据权利要求2所述的一种基于轻量化网络的物体分类方法，其特征在于，所述第一block层、第二block层和第三block层分别包括一深度可分离层、一升维卷积层、一正则化卷积层、一下采样层、一降维卷积层、两全连接层、一注意力层和两残差层；在任意block层中，深度可分离层、升维卷积层、正则化卷积层、下采样层、降维卷积层、一全连接层、另一全连接层依次连接，深度可分离层的输出端还通过一残差层与另一全连接层的输入端连接，正则化卷积层的输出端还通过另一残差层与一全连接层的输入端连接，升维卷积层的输出端还通过意力层与降维卷积层的输入端连接。4.根据权利要求1所述的一种基于轻量化网络的物体分类方法，其特征在于，假设待识别物体的图像的尺寸为X*X，输出尺寸为W*W，卷积核尺寸为N*N，步长为Stride，填充为Padding，膨胀率为L，则空洞卷积的定义为5.根据权利要求2所述的一种基于轻量化网络的物体分类方法，其特征在于，进行特征融合后得到的新特征矩阵O为：O＝α*F1+*...

【专利技术属性】
技术研发人员：李广明，吴京，黄佳岚，邹永钶，胡泽强，李修成，
申请(专利权)人：典瑞智能东莞科技有限公司，
类型：发明
国别省市：