[发明专利]一种针对大卷积核神经网络的优化方法

权利要求书

1.一种针对大卷积核神经网络的优化方法，其特征在于：所述优化方法包括以下步骤：

将大卷积核进行划分；

特征拼接和归一化；

将归一化后的输出与用于结构重参数化的深度卷积的输出进行相加；

模型进行训练；

模型推理时将5×5深度卷积与改进后的RepLKNet Block中的深度卷积结构进行结构重参数化进行融合。

2.根据权利要求1所述的一种针对大卷积核神经网络的优化方法，其特征在于：将大卷积核进行划分时，将大卷积核划分为四个分支，以13×13的RepLKNet为例，将其每个stage中的13×13大卷积核划分为3×3、1×13、13×1和残差连接四个分支。

3.根据权利要求2所述的一种针对大卷积核神经网络的优化方法，其特征在于：特征拼接和归一化时，将划分后的特征分别通过对应的深度卷积层得到对应输出，然后将这些输出特征按第一维度进行拼接和归一化。

4.根据权利要求1所述的一种针对大卷积核神经网络的优化方法，其特征在于：将归一化后的输出与用于结构重参数化的深度卷积的输出进行相加时，将得到的输出与5×5深度卷积的输出进行相加得到最终的输出，然后进行后续操作。

5.根据权利要求1所述的一种针对大卷积核神经网络的优化方法，其特征在于：模型推理时将5×5深度卷积与改进后的RepLKNet Block中的深度卷积结构进行结构重参数化进行融合时，将改进后的RepLKNet Block中的深度卷积结构中四个分支的参数进行拼接得到13×13的深度卷积模块，然后将其与归一化层融合为一个新的深度卷积层1；其次将5×5深度卷积层进行零填充得到与融合后的13×13尺寸相同的深度卷积层2；最后将深度卷积层2的权重加入到深度卷积层1的权重中，同时将其偏置也加到深度卷积层1的偏置中。