1.基于非均匀分组的多尺度深度卷积神经网络模型构建方法,基于膨胀卷积的多尺度特征融合层1*1点卷积、3*3普通卷积和3*3的膨胀卷积代替原有的1*1的点卷积的特征融合层；采用非均匀分组的方法以减少计算量以及参数量：其特征在于，输入通道分成三组，1*1点卷积包含输入输出通道数的2/3，3*3普通卷积包含输入输出通道数的1/6，3*3膨胀卷积包含输入输出通道数的1/6，将不同尺度分组得到的特征进行连接得到最终输出，具体包括以下步骤；

步骤1、对膨胀卷积的多尺度特征融合层中每个尺度的卷积核输入包含全部的输入通道，在基于非均匀分组的多尺度特征融合中每个尺度的卷积核输入仅包含部分输入通道，将不同尺度分组得到的特征进行连接得到最终输出特征；

步骤2、特征融合层包括(M_block)模块：主要由1*1的点卷积层、深度卷积层以及基于非均匀分组的多尺度特征融合层构成，其中包括提出了两种基于非均匀分组的多尺度轻量型卷积模块，分别是M_block_v1以及M_block_v2；M_block_v1，M_block_v2；图表示M_block_v1，图表示M_block_v2；

将所有的模块分别应用在设计的M_blockNet网络结构中替换M_block结构进行对比；

在三个数据集上进行实验，在CASIA‑HWDB1.1手写汉字数据集上训练了10代，在Facial Keypoints Detection数据集上训练了400代，在Celeba数据集上训练了200代；

步骤3、采用非均匀分组的方法以减少计算量以及参数量；

步骤4、不同尺度分组得到的特征进行连接得到最终输出特征；

其中，包括；

M_blockNet_v1以及M_blockNet_v2进行训练；

1)在模型的训练中输入图像，并对输入图像进行预处理(归一化处理)；

2)将与处理后的图像，输入深度卷积神经网络结构中进行特征的提取；并得到最终的结果；将当前的训练次数n+1；

3)判断n是否大于初始设置的训练代数，当大于时则停止训练，当小于时则继续训练；

M_block_v1与M_block_v2主要运算流程如下：

1)使用1*1的点卷积进行特征提取，仅在M_block_v2中有本步操作；

2)使用深度卷积提取输入特征图像的特征；

3)对提取后的特征进行融合，分别输入点卷积输出和输入特征图通道数均占总的输入和输出特征图通道数的2/3，输入普通卷积输出和输入特征图通道数均占总的输入和输出特征图通道数的1/6，输入膨胀卷积输出和输入特征图通道数均占总的输入和输出特征图通道数的1/6；

4)将三个不同卷积输出的通道进行合并Concat；

5)将输入特征通道与输出特征通道对应值相加，仅在M_block_v2中有本步操作。

2.根据权利要求1所述的基于非均匀分组的多尺度深度卷积神经网络模型构建方法，其特征在于，所述神经网络多尺度轻量型卷积模块、1*1的点卷积层以及深度卷积层共同构建网络模型，构建的轻量型神经网络模型主要依据经典的轻量型神经网络进行改进；

非均匀分组的多尺度特征融合层相比1*1的点卷积特征融合层具备更少的计算量以及参数量，增加特征融合的多样性；

非均匀分组的多尺度轻量型卷积模块替换由1*1点卷积特征融合层和深度卷积层构成的模块，可达到在不增加计算量以及参数量的情况下增加特征融合多样性的效果。

3.根据权利要求1所述的基于非均匀分组的多尺度深度卷积神经网络模型构建方法，其特征在于，所述结构分别在第3层和第7层使用基于非均匀分组的多尺度轻量型卷积模块针对性的改变通道数；

最终由基于非均匀分组的多尺度轻量型卷积模块M_block_v1以及M_block_v2优化的轻量型神经网络结构M_blockNet_v1以及M_blockNet_v2；

如表1与表2所示：

表1M_blockNet_v1神经网络各层结构数据

表1和表2中输出的32*32*32中前两个数字表示输出图像大小，最后一个表示输出特征图的数目；卷积核大小3*3表示卷积核的长*宽，表中Dw表示深度卷积层，Conv表示普通卷积层，Max_pooling表示最大池化层，Global_Pooling表示平均池化层，Fc表示全连接层。