【技术实现步骤摘要】
本专利技术涉及目标识别方法领域，特别是一种深度复数卷积神经网络的目标识别方法。
技术介绍
1、传统的目标识别算法主要有：csurka等人提出了一种贝叶斯和支持向量机的融合方法，并利用该方法对目标进行分类，取得了一定的分类效果，但是分类精度较差。yang等人利用稀疏编码方法进行目标分类，首先利用高度稀疏的高维特征向量进行图像表达。如果这个稀疏集合足够大，则特定目标只拥有少量与自身关联度大的特征信息，并利用该特性进行目标分类识别。但是该方法需要建立足够可信的稀疏集。为了充分利用目标的空间结构信息，lazebnik等人提出了空间金字塔匹配方法，它先将图像均匀分成若干区域，然后在每个图像块里独立进行特征汇聚运算，再将所有图像块里的特征向量相连作为图像一个分辨率尺度下的特征表达。虽然该方法取得了较好的应用效果，但存在较难收敛的问题。
2、深度学习技术以其强大的特征表示能力，已广泛应用在计算机视觉、图像分类、视频分析等领域。鉴于此，很多学者将其引入到目标识别领域中。主要有：girshick等人首先提出了基于选择区域-卷积神经网络的目标识别算法。它主要包括区域分割、卷积神经网络特征提取和分类器分类三个部分。在pascal voc2007数据库上识别平均准确率为66％，较传统方法准确率提升一倍以上。但是该方法存在微调困难、训练时间长等问题。ren等人提出了一种基于快速卷积神经网络的目标识别算法。该方法中利用卷积神经网络直接产生候选区域。该方法在voc2007和voc2012训练集进行训练，并在voc2007测试集的识别平均准确率提升
技术实现思路
1、为解决现有技术中存在的问题，本专利技术提供了一种深度复数卷积神经网络的目标识别方法，解决了在基于卷积神经网络的目标识别问题上，还没有提出一种相对较好的快速自适应目标识别算法的问题。
2、一种深度复数卷积神经网络的目标识别方法，包括以下步骤：
3、步骤s1：设计ompelu，得到ompelu表达式；
4、步骤s2：处理ompelu表达式的参数在学习中的过拟合风险，得到优化ompelu参数；
5、步骤s3：利用深度卷积神经网络模型提取目标图像的显著性特征图，得到局部特征图和全局特征图；
6、步骤s4：在模型中加入边界细化模块，得到优化后的模型；
7、步骤s5：将优化后的模型进行反卷积特征提取，得到原图像的特征信息；
8、步骤s6：将局部特征图和全局特征图结合，得到最终的显著图，从而得到目标。
9、优选地，步骤s1的ompelu表达式为：
10、
11、式中，α、β和λ是ompelu中可学习的参数，且λ>0，y表示ompelu的输入，i表示输入的元素索引，c是输入的通道索引因此表c∈{1,…,m}，yi表示输入中第c个通道中的第i个元素。
12、优选地，步骤s2中ompelu表达式参数包括3种模式：第一种模式为通道共享模式，第二种模式为通道半共享模式和第三种模式为通道独立模式。
13、优选地，步骤s3包括以下子步骤：
14、子步骤s3-1：对于一幅给定的图像f，将其尺寸调整为256×256，并将其作为网络的输入单元；
15、子步骤s3-2：通过12个卷积块定义为conv-1到conv-12生成了十二个特征图，每个卷积块的核大小均为6×6且都包含了一个步长为1的最大池化操作，将图像的空间分辨率由256×256降为8×8；
16、子步骤s3-3：全局特征图tg的计算是通过局部特征图ti收集全局上下文信息来实现的，具体计算公式如下：
17、tg＝conv(t6)
18、其中，tg表示全局特征图，t6表示特征图；
19、子步骤s3-4：通过在conv-12块后面添加具有256特征通道的三个卷积层将t12的分辨率降为1×1，这三个卷积层的核大小分别为9×9、5×5和1×1；
20、子步骤s3-5：每个局部对比度特征图tic，定义为各个特征与其局部平均值之间的差异，计算方法如下：
21、tic＝ti-ti”
22、式中，ti”为ti通过6×6内核进行局部平均池化操作后的输出；
23、子步骤s3-6：在每个特征图后连接一个解卷积块，通过步长为1且内核大小为5×5的上采样来增加其空间尺度，得到上池化特征图、下池化特征图和最终的局部特征图；
24、上池化特征图表示为tiu，计算公式是：
25、
26、式中，ti为局部特征图、tic为局部对比度特征图、为上池化特征图；
27、下池化特征图表示为tid，计算方式如下：
28、
29、其中，ti为局部特征图、tic为局部对比度特征图、为上池化特征图；
30、最终的局部特征图：是通过使用核大小为1×1的卷积后生成的，其用级联的方式整合了局部特征图ti，局部对比度特征图tic、上池化特征图tiu和下池化特征图信息tid，其计算公式如下：
31、tl＝conv(cat(ti，tic，tiu，tid))。
32、优选地，步骤s4中：
33、所述边界细化模块包括两个分支，第一个分支直接连接输入和输出层；第二个分支是残差网络，包含两个内核大小为5×5的卷积块。
34、优选地，步骤s5包括以下子步骤：
35、子步骤s5-1：在解码阶段网络的每一层沿着自上而下的方向进行无监督特征提取；
36、子步骤s5-2：卷积核卷积图像特征并重构出相似于原始图像的重构图像；
37、子步骤s5-3：模型的每层网络仅重构出网络的下一层，而目标函数的误差则为重构图像和输入图像的差值信息；
38、子步骤s5-4：网络结构的层与层之间采用全连接的方式进行连通，在通过训练对参数进本文档来自技高网...
【技术保护点】
1.一种深度复数卷积神经网络的目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤S2中OMPELU表达式参数包括3种模式：第一种模式为通道共享模式，第二种模式为通道半共享模式和第三种模式为通道独立模式。
3.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤S3包括以下子步骤：
4.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤S4中：
5.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤S5包括以下子步骤：
6.根据权利要求6所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤S5-5的推理操作包括以下子步骤：
7.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤S6包括以下子步骤：
【技术特征摘要】
1.一种深度复数卷积神经网络的目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤s2中ompelu表达式参数包括3种模式：第一种模式为通道共享模式，第二种模式为通道半共享模式和第三种模式为通道独立模式。
3.根据权利要求1所述的深度复数卷积神经网络的目标识别方法，其特征在于，所述步骤s3包括以下子步骤：
4.根据权利要求...
【专利技术属性】
技术研发人员：王建荣，安凤平，孙亚楠，凡叔军，马兴民，
申请(专利权)人：山西大学，
类型：发明
国别省市：
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。