[发明专利]一种卷积神经网络模型设计空间McaNetX及其优化方法

权利要求书

1.一种卷积神经网络模型设计空间McaNetX及其优化方法，其特征在于，所述优化方法包括以下步骤：

1)根据SAR图像的特点设计特征提取网络的基础结构并将所述基础结构使用结构参数表示；

2)利用设计空间样本分析工具分析步骤2)中的结构参数规律作为设计规律；

3)整体地评判从设计空间McaNetX随机取样并训练所获得的模型组成的样本模型的性能，比较性能的变化；

4)通过步骤2)中的结构参数变化规律对设计空间McaNetX进行优化。

2.如权利要求1所述的一种卷积神经网络模型设计空间McaNetX及其优化方法，其特征在于，步骤1)中基础结构为McaNet多分支跨通道注意网络，所述McaNet多分支跨通道注意网络包括固定结构与可变结构，所述结构参数包括结构参数Depth、Width、Bot_mul以及结构参数Groups；

所述固定结构包括Stem网络茎和Head网络头，Stem网络茎负责对输入所述McaNet多分支跨通道注意网络的图片进行预处理，Head网络头由全局池化层与全连接层组成；

所述可变结构包括Body网络体，所述Body网络体包含4个Stage网络阶段，每个所述Stage网络阶段由1个Block-A网络块与若干个Block-B网络块组成，每个Stage网络阶段中所包含的Block块数量为所述结构参数Depth。

3.如权利要求2所述的一种卷积神经网络模型设计空间McaNetX及其优化方法，其特征在于，所述Block-A网络块和所述Block-B网络块的主干卷积均包括若干个分支和跨通道注意模块，每个分支是McaNet多分支跨通道注意网络中可变结构的最小可变单位，每个分支均包括2个1×1卷积层与1个3×3卷积层；

其中所述3×3卷积层的输出通道数为结构参数Width，结构参数Width的大小与神经网络从输入图像中提取的图像特征信息量大小正相关，且所述3×3卷积层采用空洞卷积，空洞卷积的空洞率由变量Rs控制，Block-A网络块和所述Block-B网络块中的分支数由变量Rn控制，若干个分支的输出特征图由所述跨通道注意模块加权提取特征。

4.如权利要求2所述的一种卷积神经网络模型设计空间McaNetX及其优化方法，其特征在于，所述可变结构还包括瓶颈结构，所述结构参数Bot_mul是控制瓶颈比率的结构参数，所述结构参数Bot_mul通过调整部分卷积核的通道数大小，以达到控制网络的Body部分的瓶颈结构的目的。在McaNet的分组卷积机制中，通过结构参数Groups控制分组卷积的组数。

5.如权利要求2所述的一种卷积神经网络模型设计空间McaNetX及其优化方法，其特征在于，所述可变结构还包括旁路卷积结构，

对于所述Block-A网络块，所述旁路卷积结构为在每个Stage的Block-A中将当前的特征图输入通过右侧旁路卷积的一个1×1卷积核转换为与结构参数Width相同的通道数，随后将输出特征图左侧主干卷积输出进行矩阵元素相加；

对于所述Block-B网络块，所述旁路卷积结构为将输入与主干输出进行矩阵元素相加。