电子信息技术

本发明提供一种面向多特征图的异构深度神经网络结构组合方法及系统，该面向多特征图的异构深度神经网络结构组合方法包括：获取前置神经网络的输出模块输出的特征子图；对特征子图进行拼接操作，得到拼接特征图；将拼接特征图输出至后置神经网络的输入模块。本发明通过拼接多个特征子图连接异构神经网络的前置神经网络的输出模块与后置神经网络的输入模块，保留了前置神经网络的输出模块中特征子图的内在空间特征，提高了异构神经网络模型的组合效率，无需进行复杂的计算，提高了异构深度神经网络模型的准确度。

成果亮点

本发明要解决的技术问题是提供一种面向多特征图的异构深度神经网络结构组合方法及系统，保留前置深度神经网络输出模块中特征子图的内在空间特征，解决现有异构深度神经网络结构组合方法不但会破坏特征子图的内在空间特征，而且计算复杂度高，还会影响深度神经网络模型的准确度的问题。

异构深度神经网络结构组合是指利用多种深度神经网络结构进行组合，以提高模型的表达能力和泛化能力。这种方法可以应用于多个领域，例如图像识别、语音识别、自然语言处理等。

面向多特征图的异构深度神经网络结构组合方法及系统具有以下应用前景：

图像识别：在图像识别领域，可以利用这种方法对图像进行多尺度的特征提取，从而提高模型的识别能力。

语音识别：在语音识别领域，可以利用这种方法对语音信号进行多尺度的特征提取，从而提高模型的识别率。

自然语言处理：在自然语言处理领域，可以利用这种方法对文本进行多尺度的特征提取，从而提高模型的泛化能力。

其他领域：这种方法还可以应用于其他领域，例如计算机视觉、机器翻译、情感分析等，从而提高模型的表达能力和泛化能力。

总的来说，面向多特征图的异构深度神经网络结构组合方法及系统具有广泛的应用前景，可以提高模型的表达能力和泛化能力，从而更好地解决实际问题。

本发明的面向多特征图的异构深度神经网络结构组合方法通过拼接多个特征子图连接异构神经网络的输出模块与输入模块，通过一个拼接操作替代现有的扁平化操作与重构操作，保留了前置深度神经网络输出模块中特征子图的内在空间特征，保持原有特征图的时空特征相关性，不破坏原有特征子图的空间结构；提高了异构神经网络模型的组合效率，无需进行复杂的计算，提高了异构神经网络模型的构建效率，并且提高了异构深度神经网络模型的准确度。