在實際陸戰(zhàn)場環(huán)境中,作戰(zhàn)人員無法隨身攜帶GPU等大型計算設(shè)備,因此較難計算規(guī)模較大的神經(jīng)網(wǎng)絡(luò)參數(shù),進而導(dǎo)致目標(biāo)識別網(wǎng)絡(luò)無法實時工作�，F(xiàn)有的輕量級神經(jīng)網(wǎng)絡(luò)雖然解決了實時性的問題,但是不能滿足準(zhǔn)確率的要求。為此,文中提出了一種基于輕量級卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法(E-MobilNet)。為了提升網(wǎng)絡(luò)學(xué)習(xí)的效果,以現(xiàn)有深度學(xué)習(xí)的主要目標(biāo)檢測框架MobileNet-V2為基礎(chǔ),插入一種ELU函數(shù)作為激活函數(shù)。首先,使用擴張卷積來增加通道數(shù),以獲得更多的特征;接著,通過ELU函數(shù)激活輸出特征,這樣可以緩解線性部分的梯度消失,并且使非線性部分對輸入變化的噪聲更魯棒;然后,通過殘差連接的方式組合高層特征與低層特征的輸出;最后,將全局池化的輸出結(jié)果輸入Softmax分類函數(shù)。實驗數(shù)據(jù)表明,在同樣的測試集和測試環(huán)境下,與現(xiàn)在主流的輕量級深度學(xué)習(xí)目標(biāo)識別算法相比,E-MobileNet識別的準(zhǔn)確率和每秒檢測的幀率都有所提升。實驗數(shù)據(jù)充分說明,使用ELU激活函數(shù)和全局池化層減少了參數(shù)的數(shù)量,增強了模型的泛化能力,提升了算法的魯棒性,在保證神經(jīng)網(wǎng)絡(luò)模型輕量級的基礎(chǔ)上有效地提高了目標(biāo)的識別準(zhǔn)確率。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖2標(biāo)準(zhǔn)殘差結(jié)構(gòu)

標(biāo)準(zhǔn)殘差塊的結(jié)構(gòu)如圖2所示。2.2可分離卷積

圖1E-MobileNet的結(jié)構(gòu)

本文提出的卷積神經(jīng)網(wǎng)絡(luò)模型E-MobileNet如圖1所示。首先,輸入圖像經(jīng)過兩層卷積層;然后,通過設(shè)計的殘差塊(此處5個殘差塊的結(jié)構(gòu)相同)學(xué)習(xí)特征;最后,使用softmax函數(shù)進行分類。模型的設(shè)計如下:1)添加一個AVGPool層,用于在殘差塊對元素進行相加,即使用殘差連接的....

圖3可分離卷積

使用可分離卷積替代傳統(tǒng)卷積模塊的主要目的是將空間互相關(guān)信息與通道互相關(guān)信息分離,在加快計算的同時提高識別率[19]。首先,采用深度卷積(大小為D×D×1)對不同輸入通道分別進行卷積操作;然后,采用點卷積(大小為1×1×C)將深度輸出后再進行結(jié)合。標(biāo)準(zhǔn)卷積結(jié)構(gòu)如圖4所示,大小為D×....

圖4標(biāo)準(zhǔn)卷積

Dk×Dk×M×C×D×D(2)而對于可分離卷積來說,首先對C個輸入通道施加大小為D×D的濾波器,即D×D×C×Dk×Dk,然后應(yīng)用N個大小為1×1×C的卷積濾波器將C個輸入信道組合成N個輸出信道,即C×N×Dk×Dk。將大小為1×1×C的特征圖中的每個值合并在一起,....

本文編號：3957013