CN114821238B 基于全局细节补充的卷积神经网络的图像识别方法及系统 （山东建筑大学）

US2021/0264130A1,2021.0文. .2021,全文..2014,全文.FingerprintingBasedonF基于全局细节补充的卷积神经网络的图像基于全局细节补充的卷积神经网络的图像识别注意力机制对特征提取网络最后一个阶段输出2获取待识别图像，输入至训练好的特征提取网采用自注意力机制对特征提取网络最后一个阶段输出的特征图以及细节特征图进行根据全局细节补充后的特征进行分类，将分类计算最对特征提取网络采用渐进式训练，设定特征提取网络的到最后一个阶段按照阶段累加进行逐阶段训练，从第n+1阶段以上一阶段训练得到的训练步骤S1、设定特征提取网络训练的开始阶段n，步骤S2、以第n阶段训练参数作为初始参数，以第n步骤S3、以上一阶段的训练参数作为初始参数，局细节补充作为最后一个阶段的特征，将开始阶段n至最后一个阶段的特征进行级联得到2.如权利要求1所述的基于全局细节补充的卷积神经网络的图像识别方法，其特征在3.如权利要求1所述的基于全局细节补充的卷积神经网络的图像识别方法，其特征在4.如权利要求1所述的基于全局细节补充的卷积神经网络的图像识别方法，其特征在5.如权利要求1所述的基于全局细节补充的卷积神经网络的图像识别方法，其特征在3将特征提取网络设定阶层的特征图以及全局细节补充后的6.如权利要求1所述的基于全局细节补充的卷积神经网络的图像识别方法，其特征在从特征提取网络训练的设定开始阶段n到最后一个阶段之前的阶段的训练，其中每一将数据集的数据输入至特征提取网络进行特征提取，采用自注意力机制对特征提取网络最后一个阶段输出的特征图以及细节特征图进行将全局细节特征向量与特征提取各阶段的特征向量根据全局细节补充后的特征进行分类，将分类计算特征提取模块：被配置为用于获取待识别图像，输入细节特征提取模块：被配置为用于根据待测试图像分类模块：被配置为用于根据全局细节补充后的特对特征提取网络采用渐进式训练，设定特征提取网络的到最后一个阶段按照阶段累加进行逐阶段训练，从第n+1阶段以上一阶段训练得到的训练步骤S1、设定特征提取网络训练的开始阶段n，4步骤S2、以第n阶段训练参数作为初始参数，以第n步骤S3、以上一阶段的训练参数作为初始参数，局细节补充作为最后一个阶段的特征，将开始阶段n至最后一个阶段的特征进行级联得到8.一种电子设备，其特征在于，包括存储器和处5[0004]传统的图像分类方法大致可以分为基于手工标注特征的方法和基于深度学习的[0011]采用自注意力机制对特征提取网络最后一个阶段输出的特征图以及细节特征图67[0035]步骤3、采用自注意力机制对特征提取网络最后一个阶段输出的特征图以及细节征进一步学习，然后将经过2个卷积层得到的特征图输入到最大池化层中提炼出特征值较8图像，最后将输入图像与重建后的图像作差，得到输入图像的细节特征图[0051]步骤3中，自注意力融合：通过自注意力将特征提取最后一个阶段输出的特征图征提取网络的最高层。[0058]步骤4.1将特征提取网络设定阶9从开始阶段n到最后一个阶段按照阶段累加进行逐阶段训练，第n+1阶段以第n阶段训练得行全局细节补充作为最后一个阶段的特征，将开始阶段n至最后一个阶段的特征进行级联[0071]可选的，从特征提取网络训练的设定开始阶段n到最后一个阶段的前一个阶段训[0078]步骤S15计算阶段损失：将阶段n的网络预测结果与真实标签计算交叉熵损失练的初始参数。[0082]步骤S16.2将数据集的数据输[0083]步骤S16.3采用自注意力机制对特征提取网络最后一个阶段输出的特征图以及细[0084]步骤S16.4将全局细节特征向量与特征提取[0085]步骤S16.5根据全局细节补充后的特征进行分[0090]以上一阶段的训练参数作为初始参数，将第四阶段得到的特征图展成特征向量块与分类模块后计算该阶段得到的预测标签与实际标签的损失CELoss。在渐进式训练中，征补充至通过特征提取网络获得的高层特征中，可以弥补高层阶段细节信息不足的缺点，