(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210682386.3 (22)申请日 2022.06.15 (71)申请人 大连海洋大学 地址 116023 辽宁省大连市沙河口区黑石 礁街52号 (72)发明人 刘丹　王鹏祺　程远　毕海　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 高意　李洪福 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种低分辨率藻类图像识别的轻量化模型 的构建方法 (57)摘要 本发明提供一种低分辨率藻类图像识别的 轻量化模型的构建方法， 包括： 构建GhostNet网 络， 基于GhostNet网络的Ghost残差结构与网络 结构进行卷积操作， 获取Gho st特征图； 选用Relu 作为激活函数； 在GhostNet网络中引入ECA注意 力机制， 构造GhostNet ‑Eca网络结构。 其构造 的 GhostNet‑Eca网络结构， 既不增加模型复杂程度 同 时 又 可 以 保 证 模 型 精 确 度 。E C A (EfficientChannel  Attention)注意力机制是 一种新型轻量化注意力机制， 与原 本GhostNet中 使用的SE注意力机制相比， 在不增加算法计算成 本， 也不影响模型结果精度的情况下， 避免了频 繁降维带来的运算负担， 同时也保持高效的性 能。 权利要求书2页 说明书8页 附图4页 CN 115063783 A 2022.09.16 CN 115063783 A 1.一种低分辨 率藻类图像识别的轻量 化模型的构建方法， 其特 征在于， 包括： S1、 构建GhostNet网络， 基于GhostNet网络的Ghost残差结构与网络结构进行卷积操 作， 获取Ghost特 征图； S2、 选用Relu作为激活函数； S3、 在GhostNet网络中引入E CA注意力机制， 构造GhostNet ‑Eca网络结构。 2.根据权利要求1所述的低分辨率藻类图像识别的轻量化模型的构建方法， 其特征在 于， 所述步骤S1中， 将Ghost 残差结构看作被分为两 部分的普通卷积， 具体实现过程如下： S11、 利用比普通卷积通道数小 的卷积核生成一部分特征图， 卷积目的在于整合特征， 将输入特 征图概括浓缩成新的特 征图； S12、 将步骤S11生成的特征图通过深度可分离卷积进行更低计算量的操作， 获得其他 特征图； S13、 将步骤S11生成的特征图与步骤S12获得的其他特征图拼接起来， 构成Ghost特征 图。 3.根据权利要求1所述的低分辨率藻类图像识别的轻量化模型的构建方法， 其特征在 于， 所述Ghost 残差结构包括 步长为1的Ghost 残差结构和步长为2的Ghost 残差结构； 其中： 步长为1的Ghost残差结构包括第一Ghost模块和第二Ghost模块， 且由第一Ghost模块 和第二Ghost模块堆叠而成； 其中， 第一Ghost模块用于增加通道进行膨胀； 第二Ghost模块 用于减少通道进行匹配， 最后与残差边连接得到最终输出； 步长为2的Ghost残差结构包括第一Ghost模块、 第二Ghost模块以及深度可分离卷积模 块， 在需要对特征层进行降维操作时， 采用步长为2的Ghost残差结构， 在第一Ghost模块和 第二Ghost模块之间与大残差边的计算上均增加深度可分离卷积模块， 用于 改变特征层大 小。 4.根据权利要求1所述的低分辨率藻类图像识别的轻量化模型的构建方法， 其特征在 于， 所述步骤S2中， 选用Relu作为激活函数， 用于在计算成本非常低的情况下增加网络的非 线性能力。 5.根据权利要求1所述的低分辨率藻类图像识别的轻量化模型的构建方法， 其特征在 于， 所述步骤S3的具体实现过程如下： S31、 从两个全连接层入手， 针对降维操作带来的冗余通道注意力， ECA注意力机制 在进 行全局平均池化之后， 用卷积核为k的快速1D卷积来 获取每个通道以及其k个邻居的交互信 息， 卷积核为 k也表示交 互的覆盖率， 也即有k个邻居参与该通道的注意力预测过程； S32、 为了更 方便的对k取值， 使卷积核k与通道维数成正比来自适应获取； S33、 为了进一 步降低参数复杂度， 共享所有通道的权 重。 6.根据权利要求5所述的低分辨率藻类图像识别的轻量化模型的构建方法， 其特征在 于， 所述步骤S33的具体实现过程如下： S331、 计算权 重； 使用包含 k*C个参数的wk数组来学习注意力， 且避免了SE模块中不同通道之间的完全独 立； 通道yi的权重ωi在计算过程中仅考虑yi与k个邻居之间的交 互信息， 计算公式如下：权　利　要　求　书 1/2 页 2 CN 115063783 A 2其中， 表示yi的k个相邻通道的集 合， σ 为Sigmo id激活函数； S332、 将权重共享， 以此提高性能， 公式如下： 7.根据权利要求6所述的低分辨率藻类图像识别的轻量化模型的构建方法， 其特征在 于， 所述步骤S33的计算过程依靠 ECA结构之中的卷积核为 k的快速1D卷积来实现： ω＝σ(C1Dk(y)) 其中， C1D即为快速1D卷积， k的大小自适应。权　利　要　求　书 2/2 页 3 CN 115063783 A 3