双路残差结构神经网络模型及图像目标识别系统的制作方法

技术特征：
1.一种双路残差结构神经网络模型，其特征在于，包括：至少两个依次级联的网络单元；每一网络单元均包括多个依次级联的卷积神经网络模块；所述网络单元的输入端和输出端间设置第一残差支路；两两网络单元间设置第二残差支路；所述第一残差支路的输入和输出均为待识别图像；所述第二残差支路的输入和输出均为前一网络单元中任意一个所述卷积神经网络模块的输出；所述第二残差支路用于将前一网络单元中任意一个所述卷积神经网络模块的输出叠加至后一网络单元中的任一卷积神经网络模块进行卷积处理，以得到目标识别结果。2.根据权利要求1所述的双路残差结构神经网络模型，其特征在于，每一网络单元均包括依次级联的第一卷积神经网络模块、第二卷积神经网络模块和第三卷积神经网络模块；当前网络单元中的所述第一卷积神经网络模块的输入端与所述第三卷积神经网络模块的输出端之间设置有第一残差支路；所述当前网络单元中的第二卷积神经网络模块的输入端和与所述当前网络单元级联的下一网络单元中的第一卷积神经网络模块的输出端之间设置有第二残差支路；所述当前网络单元中的第一卷积神经网络模块的输入为所述待识别图像；所述第一残差支路的输出与所述当前网络单元中所述第三卷积神经网络模块的输出的叠加结果作为所述下一网络单元中的第一卷积神经网络模块的输入。3.根据权利要求1所述的双路残差结构神经网络模型，其特征在于，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均由单卷积层构成。4.根据权利要求1的所述的双路残差结构神经网络模型，其特征在于，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均包括单卷积层和非线性激活层；所述非线性激活层添加在所述单卷积层之后。5.根据权利要求1所述的双路残差结构神经网络模型，其特征在于，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均由双卷积层构成。6.根据权利要求1的所述的双路残差结构神经网络模型，其特征在于，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均包括双卷积层和非线性激活层；所述非线性激活层添加在所述双卷积层之后。7.根据权利要求1所述的双路残差结构神经网络模型，其特征在于，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均由三卷积层构成。8.根据权利要求1的所述的双路残差结构神经网络模型，其特征在于，所述第一卷积神经网络模块、所述第二卷积神经网络模块和所述第三卷积神经网络模块均包括三卷积层和非线性激活层；所述非线性激活层添加在所述三卷积层之后。9.一种图像目标识别系统，其特征在于，包括：图像采集单元和处理单元；所述图像采集单元和所述处理单元连接；所述处理单元中植入有图像目标识别模型；所述图像目标识别模型为如权利要求1-8任意一项所述的双路残差结构神经网络模型；图像采集单元用于获取待识别图像；所述处理单元用于采用其内部植入的所述图像目标识别模型，基于所述图像采集单元获取的待识别图像得到目标识别结果。

技术总结
本发明公开了一种双路残差结构神经网络模型及图像目标识别系统。该双路残差结构神经网络模型包括至少两个依次级联的网络单元；每一网络单元均包括多个依次级联的卷积神经网络模块；网络单元的输入端和输出端间设置第一残差支路；两两网络单元间设置第二残差支路；第一残差支路的输入和输出均为待识别图像；第二残差支路的输入和输出均为前一网络单元中任意一个卷积神经网络模块的输出。本发明通过设置第一残差支路和第二残差支路的方式得到双路残差结构，能够促进图像特征的前向传播和梯度的反向传播，以弥补现有技术不能充分解决梯度弥散的问题，进而使得深度神经网络的特征提取性能和目标分类性能获得提升。提取性能和目标分类性能获得提升。提取性能和目标分类性能获得提升。


技术研发人员：张金鹏 李嘉科 黄旭辉 马喆 毛磊
受保护的技术使用者：中国航天科工集团第二研究院
技术研发日：2021.12.15
技术公布日：2022/4/26