公开(公告)号：CN110197205A

公开(公告)日：2019-09-03

申请号：CN201910385039.2

申请日：2019-05-09

Applicant: 三峡大学

Inventor： 任东 ,  张亚倩 ,  任顺 ,  马凯 ,  黄应平 ,  杨信廷 ,  陆安祥

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种多特征来源残差网络的图像识别方法，构建多特征来源残差网络模型，通过卷积层和最大池化层提取浅层特征，通过多个残差模块提取深层特征，将浅层特征和深层特征相加，作为全连接层和分类器的输入；采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。本发明提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度。

公开(公告)号：CN110197205B

公开(公告)日：2022-04-22

申请号：CN201910385039.2

申请日：2019-05-09

Applicant: 三峡大学

Inventor： 任东 ,  张亚倩 ,  任顺 ,  马凯 ,  黄应平 ,  杨信廷 ,  陆安祥

IPC: G06K9/62 ,  G06V10/774 ,  G06V10/764 ,  G06N3/04

Abstract: 本发明公开了一种多特征来源残差网络的图像识别方法，构建多特征来源残差网络模型，通过卷积层和最大池化层提取浅层特征，通过多个残差模块提取深层特征，将浅层特征和深层特征相加，作为全连接层和分类器的输入；采用样本图片集对多特征来源残差网络模型进行训练、测试，采用梯度下降法对模型参数进行训练、优化；采用多特征来源残差网络模型对待分类图片进行识别分类，输出图片属于各个分类的概率。本发明提出的多特征来源残差网络模型将图像浅层特征与深层特征结合起来，作为全连接层以及分类器的输入，使模型能够兼顾图像的轮廓和纹理信息，从多个维度去认识图像，从而得到更准确的识别结果，提高了图像识别的精度。