[發明專利]一種融合特征分類方法

有效

• 申請號: 201810198978.1
• 申請日: 2018-03-12
• 公開（公告）號: CN108446724B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 李千目;孫哲;侯君;孫康;尤麗榮
• 申請（專利權）人: 江蘇中天科技軟件技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

本發明公開了一種融合特征分類方法，特征融合網絡為原始網絡的特征融合，它由原始網絡的后半段網絡修改而來，并融合了原始特征的圖像的最后一層特征圖譜。特征融合網絡訓練時，首先將樣本數據輸入已經訓練好的原始網絡，得到對應層級的特征，而后將對應層級的特征作為特征融合網絡的輸入，進行特征融合網絡的訓練。最后的預測同樣需要將首先將樣本數據輸入已經訓練好的原始網絡，得到對應層級的特征，而后將對應層級的特征作為特征融合網絡的輸入，特征融合網絡的輸出最終的預測。本發明利用卷積神經網絡的中間層特征，提高卷積神經網絡的分類效率。

技術領域

本發明設計一種特征分類方法，特別是一種融合特征分類方法。

背景技術

人工智能作為計算機領域的一個重要研究領域，已廣泛應用于人們的日常生活中，并影響到社會的方方面面。深度學習作為機器學習的一個熱點，以數據為驅動，從樣本中自動學習特征，現已成為人工智能內一個廣受珍視、研究非常活躍的課題，它被廣泛應用于物體檢測、商品推薦、文本翻譯等領域。深度學習的存在兩個主要矛盾，一是保留盡可能多的信息和獲得精簡的特征之間的矛盾，二是在有限的計算能力與獲得高度抽象特征之間的矛盾。

為提高深度學習中卷積神經網絡的精度與節約計算力，文獻(Niu X,Suen C Y.ANovel Hybrid CNN-SVM Classifier for Recognizing Handwritten Digits[J].PatternRecognition,2012,45(4):1318-1325)，提出一種將支持向量機與卷積神經網絡相結合的方法，在手寫字符集MINIST上取得了良好的效果。但同時文獻(Zeiler M D,FergusR.Visualizing and Understanding Convolutional Networks[C].European Conferenceon Computer Vision.Springer,Cham,2014:818-833.)采用反卷積層對卷積神經網絡的特征圖譜做了研究，在比較不同層級的特征后發現，越靠后的層級的特征變動性越大，特征主要聚焦于圖像的區分度。低層級的特征與高層級的特征相比相對簡單，這側面反映出低層級的特征能很好表示簡單的圖像，高層級的特征相對能夠表示復雜的圖像，也就是低層級的特征關注點在于圖像的某個小區域，而高層級的特征關注圖像中的大區域。基于此，本發明旨在融合本發明旨在融合卷積神經網絡中間層特征與高層特征融合的方式，提高卷積神經網絡的表現效果。

發明內容

本發明所要解決的技術問題是提供一種融合特征分類方法，利用卷積神經網絡的中間層特征，提高卷積神經網絡的分類效率。

為解決上述技術問題，本發明所采用的技術方案是：

一種融合特征分類方法，其特征在于包含以下步驟：

步驟一：訓練原始網絡；

步驟二：構建特征融合網絡；

步驟三：訓練特征融合網絡；

步驟四：進行分類預測。

進一步地，所述步驟一中原始網絡為普通的卷積神經網絡，采用以下兩種方式對其進行訓練：

1)在目標數據集上進行訓練；

2)采用相同的卷積神經網絡結構在大規模數據集上訓練。

進一步地，所述步驟二中特征融合網絡為原始網絡的特征融合，它由原始網絡的后半段網絡修改而來，并融合了原始網絡的最后一層特征圖譜。