[发明专利]一种层内共享参数CNN的无人机动态图像识别系统与方法

权利要求书

1.一种层内共享参数CNN的无人机动态图像识别方法，其特征在于，包括：

通过无人机获取原始图像，用一个M*M的一个区域在所述原始图像上进行数据选择，形成二维数据；

通过CNN中的第一个卷积层，获取所述二维数据中的每个像素位置的值，形成第二批二维数据；

通过CNN中的第一个池化层，用滑动窗的方式从所述第二批二维数据中逐个提取最大数值，形成第三批二维数据；

使所述第三批二维数据，通过CNN中的至少两个并行的瓶颈连接结构，每个所述瓶颈连接结构，丢弃最多50％参数，并将剩余参数共享，将所有所述瓶颈连接结构的输出求和，获得第四批二维数据，重复本步所述至少两次，获得至少两个第四批二维数据；

通过一个全连接层，将获得的至少两个所述第四批二维数据整合为一个一维向量数据；

根据所述一维向量数据，输出识别结果。

2.根据权利要求1所述的方法，其特征在于，所述M至少是2像素。

3.根据权利要求2所述的方法，其特征在于，所述M的值为224像素。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网的第一个卷积层，卷积层包括至少两个卷积核，所述卷积核的尺寸为N*N，N至少为2像素。

5.根据权利要求4所述的方法，其特征在于，所述N的值为7像素；卷积核个数为64个。

6.根据权利要求1所述的方法，其特征在于，所述在CNN的网络结构中采取K个并行瓶颈连接结构，K取值为2的n次方，n至少为1。

7.根据权利要求1所述的方法，其特征在于，所述CNN的网络结构中采取并行瓶颈连接结构，且每个所述瓶颈连接结构包括：三个分卷积：第一分卷积用1x1，16个滤波；第二分卷积用N*N且N最少为2，16个滤波；第三分卷积用1x1，256个滤波。

8.根据权利要求6，7所述的方法，其特征在于，所述K的值为8的并行的瓶颈连接结构；且第二分卷积N*N，N的值为3。

9.根据权利要求6所述的方法，其特征在于，所述丢弃最多50％参数包括：将所有参数按照从大到小的顺序依次排序，全部保留较大的前50％参数，部分舍弃或全部舍弃后50％参数。

10.一种层内共享参数CNN的无人机动态图像识别系统，其特征在于，包括：

采集模块，用于通过无人机获取原始图像，用一个M*M的区域在所述原始图像上进行数据选择，形成二维数据；

传输模块，通过CNN中的第一个卷积层，获取所述二维数据中的每个像素位置的值，形成第二批二维数据；

池化模块，通过CNN中的第一个池化层，用滑动窗的方式从所述第二批二维数据中逐个提取最大数值，形成第三批二维数据；

并行及共享模块，使所述第三批二维数据，通过CNN中的至少两个并行的瓶颈连接结构，每个所述瓶颈连接结构，丢弃最多50％参数，并将剩余参数共享，将所有所述瓶颈连接结构的输出求和，获得第四批二维数据，重复本步所述至少两次，获得至少两个第四批二维数据；

传输全连接模块，通过一个全连接层，将获得的至少两个所述第四批二维数据整合为一个一维向量数据；

识别输出模块，根据所述一维向量数据，输出识别结果。