针对传统网络ALexNet识别精度不高、内存需求量大、特征尺度单一等问题,该文提出了一种多尺度并行融合的轻量级模块PL-SE模块。该模块将上层特征经过两个不同尺度的卷积核和一个最大池化,融合之后得到新的特征信息,之后再经过一个SE模块...针对传统网络ALexNet识别精度不高、内存需求量大、特征尺度单一等问题,该文提出了一种多尺度并行融合的轻量级模块PL-SE模块。该模块将上层特征经过两个不同尺度的卷积核和一个最大池化,融合之后得到新的特征信息,之后再经过一个SE模块,最后进行残差学习。同时,对于下采样部分,该文提出一种SR-SE模块代替传统网络的池化层,在降维的同时进行特征提取。使用PL-SE模块和SR-SE模块对ALexNet模型改进得到一种新的模型,用于对25种杂草幼苗进行训练识别。改进后的模型识别准确率达到了96.32%,相较于传统的ALexNet模型提高了8个百分点,参数总量减少约56.7 M (Million)。除此之外,与ResNet、GoogleNet、MobileNet等经典网络相比,改进后的模型在准确率和参数量方面都具有优势。展开更多
文摘针对传统网络ALexNet识别精度不高、内存需求量大、特征尺度单一等问题,该文提出了一种多尺度并行融合的轻量级模块PL-SE模块。该模块将上层特征经过两个不同尺度的卷积核和一个最大池化,融合之后得到新的特征信息,之后再经过一个SE模块,最后进行残差学习。同时,对于下采样部分,该文提出一种SR-SE模块代替传统网络的池化层,在降维的同时进行特征提取。使用PL-SE模块和SR-SE模块对ALexNet模型改进得到一种新的模型,用于对25种杂草幼苗进行训练识别。改进后的模型识别准确率达到了96.32%,相较于传统的ALexNet模型提高了8个百分点,参数总量减少约56.7 M (Million)。除此之外,与ResNet、GoogleNet、MobileNet等经典网络相比,改进后的模型在准确率和参数量方面都具有优势。
