电子信息技术

本发明为克服现有ResNet残差网络参数量多、计算量大导致计算速度慢，以及在压缩ResNet残差网络时识别精确度受损的缺陷，提出一种基于并行双注意力轻量残差网络的图像分类方法及系统。

成果亮点

本发明提出一种基于并行双注意力轻量残差网络的图像分类方法及系统，包括对残差网络的卷积核进行结构优化，并提取输入图像的特征信息矩阵；对并行双注意力轻量残差结构输出的特征信息矩阵进行全局平均池化，整合全层空间信息，然后将特征信息矩阵转换为一维特征信息矩阵；将一维特征信息矩阵输入全连接层，得到分类任务对应类别数的矩阵，输出图像分类结果。本发明在对残差网络进行压缩并采取双分支空间通道注意力机制，在保证精度的前提下，压缩了参数和计算量，提升了处理速度，从而提高了基于深度神经网络的目标分类识别的整体效率。

智能安防:该技术可以用于监控系统，对摄像头捕捉的图像进行实时分类和分析，如人脸识别、物品检测等，提高安防效率和准确性。

自动驾驶:在自动驾驶领域，图像分类技术可帮助车辆识别道路标志、行人、其他车辆等，从而提升驾驶全性。

医疗影像分析:医生可以利用这种技术对医学影像进行快速分类和诊断，例如X光片、CT扫描和 MRI图像等，辅助疾病的检测和治疗。

图像检索和分类:在图像数据库中，该方法可以用于快速分类和检索特定类型的图像，例如图片库、视频平台等。

工业自动化:工业生产线上可以使用该技术对产品进行质量检测和分类，提高生产效率和质量控制。

智能家居:图像分类系统可以识别家庭环境中的物品和场景，实现智能家电的控制和自动化。

与现有技术相比，本发明技术方案的有益效果是：

(1)本发明采用卷积核分解、通道分离、深度可分离卷积以及网络宽度调节的方式，来减少网络参数，降低硬件内存资源占用从而降低网络的计算量，加快网络的计算速度，实现模型的轻量化。

(2)本发明进一步采取双分支空间通道注意力机制(DBSC)提高系统识别能力，在模型轻量化的基础上再提高整体网络的精度，达到更好的分类效果。

本发明在保证精度的前提下，压缩了参数和计算量，提升了处理速度，从而提高了基于深度神经网络的目标分类识别的整体效率。