残差单元及网络及目标识别方法及系统及装置及介质与流程

技术特征：

1.一种处理水声原始数据的多尺度残差单元，包括由批归一化层、激活层、卷积层构成的残差网络架构，其特征在于，用于处理一维原始音频波形，在所述残差网络架构中，具备至少一个卷积中间层，所述卷积中间层由多个卷积层并行而成，且在所述卷积中间层与残差网络架构末端之间，具备至少一个软阈值运算单元，用于进行软阈值计算与过滤。

2.根据权利要求1所述的一种处理水声原始数据的多尺度残差单元，其特征在于，所述卷积中间层由多个第一卷积层并行而成，任意2个所述第一卷积层的卷积核大小不同。

3.根据权利要求2所述的一种处理水声原始数据的多尺度残差单元，其特征在于，任意2个所述第一卷积层的卷积输出通道数相同，任意2个所述第一卷积层的卷积步长相同。

4.根据权利要求1所述的一种处理水声原始数据的多尺度残差单元，其特征在于，所述卷积中间层由n个第一卷积层并行而成，所述卷积中间层的输出通道数为n，所述第一卷积层的输出通道数为n/n，n和n均为大于1的整数。

5.根据权利要求1所述的一种处理水声原始数据的多尺度残差单元，其特征在于，所述卷积中间层由4个第一卷积层并行组成。

6.根据权利要求1所述的一种处理水声原始数据的多尺度残差单元，其特征在于，所述软阈值运算单元将其输入数据依次经过第一池化层、第一全连接层、第一批归一化层、第一激活层、第二全连接层和第二激活层处理得到软阈值；基于所述软阈值所述软阈值运算单元进行数据过滤处理，所述软阈值运算单元将过滤处理后的数据输入所述残差网络架构末端。

7.根据权利要求1所述的一种处理水声原始数据的多尺度残差单元，其特征在于，所述残差网络架构末端将所述软阈值运算单元过滤处理后的数据进行卷积处理获得第一输出数据，所述第一输出数据和所述多尺度残差单元的输入数据合并形成所述多尺度残差单元的输出数据。

8.根据权利要求7所述的一种处理水声原始数据的多尺度残差单元，其特征在于，所述卷积中间层的输出数据输入所述残差网络架构末端中的第二批归一化层，所述第二批归一化层的输出包括第二输出数据和第三输出数据，所述第二输出数据经过所述软阈值运算单元处理得到软阈值；基于所述软阈值，所述软阈值运算单元过滤所述第三输出数据，获得第四输出数据；将所述第四输出数据输入所述残差网络架构末端中的第二卷积层，所述第二卷积层输出所述第一输出数据，所述第一输出数据与所述多尺度残差单元的输入数据合并为所述多尺度残差单元的输出数据。

9.一种处理水声原始数据的深度神经网络，所述深度神经网络包括网络前端、网络中端和网络末端，所述网络前端的输出数据输入所述网络中端，所述网络中端的输出数据输入所述网络末端，其特征在于，所述网络中端包括至少一个权利要求1-8中任意一个所述的多尺度残差单元；当所述网络中端包括多个所述多尺度残差单元时，多个所述多尺度残差单元依次连接。

10.根据权利要求9所述的一种处理水声原始数据的深度神经网络，其特征在于，所述网络前端用于将所述深度神经网络的输入数据依次经过卷积处理、批归一化处理、激活处理和池化处理后获得输出数据，所述网络前端的输出数据输入所述网络中端。

技术总结
本发明公开了残差单元及网络及目标识别方法及系统及装置及介质，涉及水声识别、深度学习及人工智能领域，多尺度残差单元包括由批归一化层、激活层、卷积层构成的残差网络架构，其特征在于，用于处理一维原始音频波形，在所述残差网络架构中，具备至少一个卷积中间层，所述卷积中间层由多个卷积层并行而成，且在所述卷积中间层与残差网络架构末端之间，具备至少一个软阈值运算单元，用于进行软阈值计算与过滤。本发明能有效感知水声一维信号波形。

技术研发人员：不公告发明人
受保护的技术使用者：成都数联云算科技有限公司
技术研发日：2021.05.06
技术公布日：2021.08.24