公开(公告)号：CN111126494B

公开(公告)日：2023-09-26

申请号：CN201911360305.2

申请日：2019-12-25

申请人： 中国科学院自动化研究所

发明人： 李文娟 ,  李兵 ,  胡卫明 ,  潘健 ,  原春锋 ,  吴昊昊

IPC分类号： G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

摘要： 本发明涉及深度学习与图像分类领域，具体涉及一种基于各向异性卷积的图像分类方法及系统，目的在于解决当图像分辨率低、物体尺度和形态多变等情况下难以保证物体分类识别的精度的问题。本发明的图像分类方法包括：步骤A1，根据设定的标准图像大小，将训练图像与待分类图像都进行预处理；步骤A2，利用利用损失函数与预处理后的训练样本对神经网络进行训练优化，其中，神经网络包括各向异性卷积层；步骤A3，利用训练好的神经网络对预处理后的待分类图像进行特征提取与图像分类。本发明的神经网络能快速提取判别性特征因子，准确锁定图像中的物体轮廓，较好应对小图像、多形变等分类难题，从而充分挖掘了图像的空间信息，提高了物体分类的准确度。

公开(公告)号：CN111626373A

公开(公告)日：2020-09-04

申请号：CN202010484081.2

申请日：2020-06-01

申请人： 中国科学院自动化研究所

发明人： 李文娟 ,  李兵 ,  胡卫明 ,  潘健 ,  原春锋 ,  王坚

IPC分类号： G06K9/62 ,  G06K9/46 ,  G06N3/04

摘要： 本发明属于机器学习领域，具体涉及一种多尺度加宽残差网络、小目标识别检测网络及其优化方法，本发明多尺度加宽残差网络包括串行连接的多尺度加宽卷积层、多尺度加宽残差网络单元结构；所述多尺度加宽卷积层，包括并行设置的多个不同尺度的卷积核，其输出为所述多个不同尺度的卷积核提取特征的合并；所述多尺度加宽残差网络单元结构，包括多个串联设置的所述多尺度加宽卷积层，设定两个所述多尺度加宽卷积层之间跃层连接，以直接将两层输出特征取大融合。基于本发明得到的特征进行小目标识别检测，可以提高小目标物体识别的准确度。

公开(公告)号：CN111626373B

公开(公告)日：2023-07-25

申请号：CN202010484081.2

申请日：2020-06-01

申请人： 中国科学院自动化研究所

发明人： 李文娟 ,  李兵 ,  胡卫明 ,  潘健 ,  原春锋 ,  王坚

IPC分类号： G06V10/774 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464

摘要： 本发明属于机器学习领域，具体涉及一种多尺度加宽残差网络、小目标识别检测网络及其优化方法，本发明多尺度加宽残差网络包括串行连接的多尺度加宽卷积层、多尺度加宽残差网络单元结构；所述多尺度加宽卷积层，包括并行设置的多个不同尺度的卷积核，其输出为所述多个不同尺度的卷积核提取特征的合并；所述多尺度加宽残差网络单元结构，包括多个串联设置的所述多尺度加宽卷积层，设定两个所述多尺度加宽卷积层之间跃层连接，以直接将两层输出特征取大融合。基于本发明得到的特征进行小目标识别检测，可以提高小目标物体识别的准确度。

公开(公告)号：CN111126494A

公开(公告)日：2020-05-08

申请号：CN201911360305.2

申请日：2019-12-25

申请人： 中国科学院自动化研究所

发明人： 李文娟 ,  李兵 ,  胡卫明 ,  潘健 ,  原春锋 ,  吴昊昊

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及深度学习与图像分类领域，具体涉及一种基于各向异性卷积的图像分类方法及系统，目的在于解决当图像分辨率低、物体尺度和形态多变等情况下难以保证物体分类识别的精度的问题。本发明的图像分类方法包括：步骤A1，根据设定的标准图像大小，将训练图像与待分类图像都进行预处理；步骤A2，利用利用损失函数与预处理后的训练样本对神经网络进行训练优化，其中，神经网络包括各向异性卷积层；步骤A3，利用训练好的神经网络对预处理后的待分类图像进行特征提取与图像分类。本发明的神经网络能快速提取判别性特征因子，准确锁定图像中的物体轮廓，较好应对小图像、多形变等分类难题，从而充分挖掘了图像的空间信息，提高了物体分类的准确度。

公开(公告)号：CN110782019A

公开(公告)日：2020-02-11

申请号：CN201911029615.6

申请日：2019-10-28

申请人： 中国科学院自动化研究所

发明人： 胡卫明 ,  刘雨帆 ,  阮晓峰 ,  李兵 ,  原春锋 ,  潘健

IPC分类号： G06N3/04

摘要： 本发明属于人工智能领域，具体涉及一种基于分解和剪枝的卷积神经网络压缩方法、系统、装置，旨在解决采用低秩近似分解或结构化稀疏剪枝进行卷积神经网络压缩，导致压缩力度较小的问题。本系统方法包括将每个待压缩的卷积层后面添加一层系数矩阵表示层；通过低秩近似分解算法对系数矩阵表示层进行稀疏处理，并根据系数矩阵表示层稀疏的位置对对应的卷积层的滤波器进行剪枝处理；采用结构化稀疏剪枝方法对分解后的系数矩阵表示层进行稀疏处理，并根据系数矩阵表示层稀疏的位置对其滤波器进行剪枝处理；对稀疏剪枝处理后的卷积神经网络进行训练。本发明通过将低秩近似分解和结构化稀疏剪枝两种方法融合，解决了单一方法引起的缺陷，提高了压缩力度。