摘要
针对胶囊网络(capsule network,CapsNet)特征提取结构单一和数据处理中参数量过大的问题,提出多尺度混合注意力胶囊网络模型.首先,在网络初始端添加不同尺度的卷积核来多角度提取特征,并引入混合注意力机制,通过聚焦更具分辨性的特征区域来降低复杂背景干扰.其次,采用局部剪枝算法优化动态路由,减少参数量,缩短模型训练时间.最后,在海洋鱼类数据集F4K(Fish4 Knowledge)上验证,结果表明,与传统残差网络(residual network50,ResNet-50)、双线性网络(bilinear convolutional neural network,B-CNN)、分层精简双线性注意力网络(spatial trans-formation network and hierarchical compact bilinear pooling,STN-H-CBP)以及 CapsNet 模型相比,该算法识别精度为98.65％,比ResNet-50模型提升了 5.92％;训练时间为2.2 h,相比于CapsNet缩短了近40 min,验证了该算法的可行性.
基金项目
国家自然科学基金面上项目(61673316)
陕西省重点研发计划(2017GY-071)
陕西省重点研发计划(2018GY-135)
陕西省教育厅项目(16JK1697)
陕西省技术创新引导计划(2017XT-005)
咸阳市科技计划(2017K01-25-3)
西安邮电大学研究生创新基金(CXJJLY202004)
NETL
NSTL
维普
万方数据