基于gabor基和色彩的通用高效卷积网络及应用研究

Aiming at the restriction problem of small or microscopic identification system in aspect of time, space, etc, the common and basic research on universality, high efficiency, low resource consumption, high utilization ratio of color information in deep learning convolution network is carried out. According to the simulation of biological visual information processing mechanism, and statistical analysis of image data, a 2D universal Gabor basis function model with just some characterization parameters is constructed. The generated convolution kernels coming from the function model are provided with receptive fields properties, congenital hereditary and universality across database in some certain. And the number of parameters in these convolution kernels is greatly reduced. Based on these convolution kernels, the color processing model is built, which can reliably use color characteristics. Then the combined strategy which the initialization of the parameters in these kernels in prior, step training of the parameters with unlabeled date while global training with little labeled date is proposed. And the strategy of fast scanning with network routes of large kernels while subtle recognition with small ones is proposed as well. With above 2 models and 2 strategies, the training scale of the new deep learning network and the occupation rate of resources are greatly reduced, and the comprehensive recognition ability and generality are effectively promoted. The proposed learning network provides common and vital technical supporting for small or microscopic identification system.

针对小微型识别系统在时间、空间等资源严重受限制的场合，开展深度卷积网络的通用化、高效能、低资源消耗、彩色信息高利用率等共性和基础性研究。通过生物视觉信息处理机制的模拟和图像数据共性基础特征的统计分析，构造只携带少量表征参数的二维通用型gabor基函数模型，使基函数生成的各种卷积核具有先天的细胞感受野特性和一定的跨数据集的通用性，核中未知参数大幅度减少；基于该类核，构建彩色蕴涵特征可靠利用的色彩处理模型；提出核中表征参数的先验初始化、大量无标签数据的逐层学习、少量有标签的全局适应性学习的综合训练策略，以及大卷积核网络通路的快扫描、小卷积核网络通路的精识别策略。以上2个模型2个策略大幅度压减新型深度学习网络的训练规模和时间等资源的占用率，有效地提升综合识别能力与通用性，为小微型识别系统提供共性和关键的技术支撑。

针对小微型识别系统在时间、空间等资源严重受限制的场合，开展深度卷积网络的通用化、高效能、低资源消耗、彩色信息高利用率等共性和基础性研究。.通过生物视觉信息处理机制的分析模拟和图像数据共性基础特征的统计分析，构造只携带少量表征参数的二维通用型gabor基函数模型，使基函数生成的各种卷积核具有先天的细胞感受野特性和一定的跨数据集的通用性，核中未知参数大幅度减少；基于该类核的基本模型拓展，构建蕴涵彩色特征可靠的数学和网络模型，如基于生物视觉的彩色Gabor函数（滤波器）、离散化高效计算Gabor函数模型、多形态和彩色Gabor函数模型等；. 在新型Gabor函数模型和卷积核的基础上，开发了通用高效能深度卷积学习网络与学习算法如：改进的特征提取网络Gabor-VGGnet、结合Gabor特性和视觉心理学的军事目标检测网络、基于 Gabor 卷积神经网络，提出了相应的训练策略和方法。. 最后结合NVIDIA的 TX1\TX2等微型嵌入式处理平台，在移动载体上进行了测试、评估和应用研究，包括：改进的特征提取网络Gabor-VGGnet性能验证实验、结合Gabor特性和视觉心理学的军事目标检测网络验证实验、基于新型Gabor特征层的卷积网络验证实验。实验结果表明本课题提出的各种新型Gabor网络及其训练策略与算法，网络模型参数量减少了近 1/3，计算复杂度降低了近 20%~40%，时间节省19%~21%，同时保持了同等水平的分类准确度，更适合微小型嵌入式处理平台和移动载体上使用。. 以上说明，本课题提出的新型卷积核、新型网络和训练策略等成果可大幅度压减深度学习网络的训练规模和时间等资源的占用率，有效地满足了小微型识别系统在时间、空间等资源严重受限制的场合，为国民经济和国防建设等各个领域的广泛应用提供共性和关键的技术支撑。