[发明专利]一种基于MobileNets优化多尺度学习网络的方法

摘要

本发明涉及一种基于MobileNets优化多尺度学习网络的方法，本发明所述多尺度学习网络包括4部分，前3部分为相同的可分离卷积层，每个可分离卷积层后面连接batchnorm和ReLU，再连接池化层，最终与第4部分的全连接层和输出层连接，其中可分离卷积层包括3组卷积操作，具体网络结构为，第一组以3*3的深度卷积进行卷积操作，第二组连续用两个3*3的深度卷积进行卷积操作，然后再将第一组和第二组的输出进行加和操作，继续用1*1的点卷积进行卷积操作；第三组直接用1*1的点卷积进行卷积操作，接着把第一、二组和第三组的输出进行合并操作；通过实验对比发现，本发明构建的网络结构实验参数少，精度高，三组可分离卷积层结构稳定，实验效果最为理想。

主权项

1.一种基于MobileNets优化多尺度学习网络的方法，其特征在于，包括如下步骤：步骤1，构建多尺度学习网络，所述多尺度学习网络包括4部分，前3部分为相同的可分离卷积层，每个可分离卷积层后面连接batchnorm和ReLU，再连接池化层，最终与第4部分的全连接层和输出层连接，其中可分离卷积层包括3组卷积操作，具体网络结构如下，第一组以3*3的深度卷积进行卷积操作，第二组连续用两个3*3的深度卷积进行卷积操作，然后再将第一组和第二组的输出进行加和操作，继续用1*1的点卷积进行卷积操作；第三组直接用1*1的点卷积进行卷积操作，接着把第一、二组和第三组的输出进行合并操作；步骤2，多尺度学习网络初始化，获得可分离卷积层的初始权值和阈值；步骤3，输入训练样本至多尺度学习网络进行训练，获得更新的权值和阈值，进而获得优化后的多尺度学习网络，其中前三部分中的任意一部分的操作过程如下，(1)令输入层的输入数据为x1，第一组深度卷积过程的权值为w1，输出特征图为y1,其y1的值为，y1＝σ1(x1*w1+b1)                      (1)其中，σ1是激活函数，b1是该组卷积的阈值；(2)第二组第一个深度卷积过程的权值为w2_1，第二个深度卷积过程的权值为w2_2，输出特征图分别为y2_1、y2，其y2_2、y2的值为，y2_1＝σ2_1(x1*w2_1+b2_2)                 (2)y2＝σ2_2(y2_1*w2_2+b2_2)               (3)其中，σ2_1和σ2_2均为激活函数，w2_1、w2_2、b2_1、b2_2分别是第一和第二个卷积过程中的权值和阈值；(3)将(1)、(2)中的输出y1和y2进行加和操作得到y3，其y3的值可表示为，y3＝concat[y1,y2]                    (4)其中concat函数用于连接两个或多个数组；(4)第三组通过一个1*1的点卷积过程，其权值为w3，输出特征图为y4；(3)中的输出y3同样通过一个1*1的点卷积过程，其权值为w2_3，输出特征图为y5，则y4、y5可表示为y4＝σ3(x1*w3+b3)                          (5)y5＝σ4(y3*w2_3+b4)                        (6)其中σ3、σ4是激活函数，b3、b5为阈值；(5)将(4)中的两个输出进行合并操作得到y6，则y6表示为，y6＝merge[y4,y5]                          (7)其中merge函数用于合并数据集；(6)然后采用2*2的均值池化，对特征图进行压缩。