一种瓶颈缩边模型、神经元网络及其构建方法与流程

技术特征：
1.一种瓶颈缩边模型，其特征在于，设置于瓶颈缩边模块中，所述瓶颈缩边模型至少包括两层1*1卷积层和一层m*m卷积层，其中m*m卷积层设置在两个1*1卷积层之间，所述瓶颈缩边模块的缩边方法包括：g(x)＝c_2(σ(conv(σ(c_1(x))))) r(x)其中，conv(x)表示对图像矩阵x进行无padding的m*m卷积变换,m＞1；c_1(x)与c_2(x)表示对图像矩阵x进行1*1卷积变换，σ(x)表示对图像矩阵x进行非线性变换；r(x)表示对图像矩阵x进行缩边。2.根据权利要求1所述的瓶颈缩边模型，其特征在于，所述r(x)去掉图像矩阵的边缘k层的特征元素的函数为：即去掉原矩阵x的第1～k行，第1～k列，第(n-k 1)～n行和第(n-k 1)～n列。3.根据权利要求1或2所述的瓶颈缩边模型，其特征在于，第二卷积层为3x3卷积核的卷积层。4.一种神经元网络，其特征在于，至少包括：卷积模块，设置与图像信息输入端并用于基于卷积层提取图像矩阵；缩边单元，包括至少一个缩边模块，用于将图像矩阵进行至少一次缩边处理；残差单元，包括至少一个残差模块，用于提取图像非边缘部分待识别区域的相对比较抽象的特征；全连接层模块，用于基于全连接层输出识别的图像数据；卷积模块、缩边单元、残差单元和全连接层模块依次连接。5.根据权利要求4所述的神经元网络，其特征在于，所述缩边模块为瓶颈缩边模块，所述瓶颈缩边模块至少包括两层1*1卷积层和一层m*m卷积层，其中m*m卷积层设置在两个1*1卷积层之间，所述瓶颈缩边模块的缩边方法包括：g(x)＝c_2(σ(conv(σ(c_1(x))))) r(x)其中，conv(x)表示对图像矩阵x进行无padding的m*m卷积变换,m＞1；c_1(x)与c_2(x)表示对图像矩阵x进行1*1卷积变换，σ(x)表示对图像矩阵x进行非线性变换；r(x)表示对图像矩阵x进行缩边。6.根据权利要求4或5所述的神经元网络，其特征在于，所述r(x)去掉图像矩阵的边缘k层的特征元素的函数为：即去掉原矩阵x的第1～k行，第1～k列，第(n-k 1)～n行和第(n-k 1)～n列。7.一种神经元网络的构建方法，其特征在于，所述方法包括：将卷积模块与缩边单元连接；
所述缩边单元为瓶颈缩边单元(20)；在所述瓶颈缩边单元(20)与瓶颈残差单元(50)之间设置有第一池化模块(31)和第一1x1卷积模块(41)；第一池化模块(31)设置在第一1x1卷积模块(41)的数据上游；将瓶颈残差单元(50)与全连接层模块(60)连接；所述全连接层模块(60)用于输出最后的图像数据。8.根据权利要求7所述的神经元网络的构建方法，其特征在于，所述瓶颈缩边单元(20)包括依次连接的第一瓶颈缩边模块(21)、第二瓶颈缩边模块(22)、第三瓶颈缩边模块(23)和第四瓶颈缩边模块(24)；每个瓶颈缩边模块去掉1层边缘特征元素，第一瓶颈缩边模块(21)、第二瓶颈缩边模块(22)、第三瓶颈缩边模块(23)和第四瓶颈缩边模块(24)能够去掉图像矩阵边缘4层特征元素，使图像矩阵的行数和列数各减少8。9.根据权利要求8所述的神经元网络的构建方法，其特征在于，所述瓶颈残差单元(50)中的任意两个非缩边的瓶颈残差模块之间设置有第二池化模块(32)和第二1x1卷积模块(42)；第二池化模块(32)设置在第二1x1卷积模块(42)的数据上游；其中，在残差模块之间设置的池化模块的作用在于改变图像矩阵的大小。10.根据权利要求8或9所述的神经元网络的构建方法，其特征在于，瓶颈残差模块至少包括三层卷积层，瓶颈残差模块的表达式可写为：h(x)＝c_2(σ(conv(σ(c_1(x))))) x，其中，conv(x)表示对图像矩阵x进行padding＝1的3
×
3卷积变换；c_1(x)与c_2(x)表示对图像矩阵x进行1
×
1卷积变换，σ(x)表示对图像矩阵x进行非线性变换。

技术总结
本发明涉及一种瓶颈缩边模型、神经元网络及其构建方法，瓶颈缩边模型设置于瓶颈缩边模块中，所述瓶颈缩边模型至少包括两层1*1卷积层和一层m*m卷积层，其中m*m卷积层设置在两个1*1卷积层之间，所述瓶颈缩边模块的缩边方法包括：G(x)＝c_2(σ(conv(σ(c_1(x))))) r(x)；其中，conv(X)表示对图像矩阵x进行无padding的m*m卷积变换，m＞1；c_1(x)与c_2(x)表示对图像矩阵x进行1*1卷积变换，σ(x)表示对图像矩阵x进行非线性变换；r(x)表示对图像矩阵x进行缩边。本发明的瓶颈缩边模型通过1


技术研发人员：杜宇
受保护的技术使用者：成都芯云微电子有限公司
技术研发日：2019.09.20
技术公布日：2022/9/13