来源：期刊VIP网 时间：
作者：刘思远;张文东;卢润;牛森;马梦楠;
单位：新疆大学软件学院;
摘要：针对传统深度神经网络在图像识别任务中存在的无法有效关注重点区域与特征、感受野较小导致信息退化以及模型泛化能力不足的问题，文中提出一种基于多尺度并行融合的图像识别网络，即残差并行金字塔多尺度注意力网络（RPPM-Net）。首先，设计并行注意力网络，通过多头并行的混合注意力机制捕获多样化的特征信息，在保持模型效率的同时，增强网络在识别任务中对重要区域和关键特征的聚焦能力，解决对重点特征关注不足的问题；其次，设计多尺度金字塔卷积注意力模块，通过在不同层级有效集成多尺度特征，解决感受野较小导致的信息退化问题；最后，采用增强型全连接层及正则化技术，有效缓解过拟合问题，提升模型在不同数据集上的泛化能力。实验结果表明，RPPM-Net在CIFAR-10、CIFAR-100、Caltech-256数据集上的准确率分别达到97.02%、85.04%、89.69%，在不显著增加计算成本的前提下，充分结合结构正则化和特征整合，有效地增强了网络的性能。
关键词：图像识别;;卷积神经网络;;多尺度特征;;并行注意力;;金字塔卷积;;特征提取
基金资助：新疆维吾尔自治区自然科学基金资助项目(2022D01C83)
