一种改进残差深度网络的多目标分类技术

由于受场景、视角、光照、尺度变化以及局部变形等因素的影响，对重叠目标、拥挤目标、小目标的识别精度较低，提出了一种改进多支路的残差深度卷积神经网络来提高多目标识别的准确度。首先，在第一个卷积残差块layer1后保留恒等映射的同时，增加一个1×1的短接分支尽可能多的保留原始特征；再平行嵌入一个修改激活函数RELU6的空间_通道注意力机制模块（CBAM）；最后这三个特征图进行融合。融合后的特征层着重关注空间和通道中比较显著的信息，从而增强特征图的特征表达能力，以至于卷积神经网络(CNN)获得更多的判别特征，从而大大提高物体识别精度。在FashionMNIST和Cifar10两个数据集的对比性实验显示改进的resnet50算法是准确性-速度较为折中的目标识别模型。