[發(fā)明專利]一種基于多路特征加權(quán)的殘差卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810485738.X
• 申請(qǐng)日: 2018-05-21
• 公開（公告）號(hào): CN108764317B
• 公開（公告）日: 2021-11-23
• 發(fā)明（設(shè)計(jì)）人: 劉義鵬;李湛青;陳朋;蔣莉;王海霞;梁榮華
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于多路特征加權(quán)的殘差卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法，其特征在于，所述方法包括以下步驟：

1)首先，模型的輸入圖像為經(jīng)過預(yù)處理的原始圖像，經(jīng)過預(yù)處理的圖像裁剪為一個(gè)固定尺寸；

2)對(duì)圖像進(jìn)行大尺寸的卷積操作和池化操作；

3)將步驟2)中輸出的特征送入第一個(gè)多路特征加權(quán)殘差模塊，所述多路特征加權(quán)殘差模塊由多個(gè)卷積組和一個(gè)加權(quán)組合模塊構(gòu)成：每個(gè)卷積組內(nèi)都包含一個(gè)或多個(gè)卷積層，每一個(gè)卷積組之間的卷積層配置各不相同，以保證卷積核尺寸的多樣性；同時(shí)，網(wǎng)絡(luò)中的特征圖像在經(jīng)過多路特征加權(quán)殘差模塊時(shí)，特征圖像的尺寸會(huì)相應(yīng)減小，所以為了保證每個(gè)卷積組的輸出特征圖尺寸保持一致，卷積組內(nèi)也包含池化層；

所有卷積組的輸出會(huì)被送入加權(quán)組合模塊進(jìn)行整合，具體的加權(quán)組合方法是對(duì)每一個(gè)卷積組的輸出特征乘以一個(gè)隨機(jī)初始化的不同參數(shù)k，并將上述經(jīng)過加權(quán)后的卷積組輸出在特征通道進(jìn)行拼接；拼接后的組合特征將與多路特征加權(quán)殘差模塊的輸入相加作為整個(gè)多路特征加權(quán)殘差模塊的輸出；

4)將步驟3)中多路特征加權(quán)殘差模塊的輸出繼續(xù)送入下一個(gè)多路特征加權(quán)殘差模塊，在經(jīng)過多個(gè)多路特征加權(quán)殘差模塊后，輸出的特征圖像尺寸會(huì)逐漸縮小直至變?yōu)橐粋€(gè)10×10以內(nèi)的小尺寸，最后經(jīng)過一個(gè)平均池化層縮小為特征點(diǎn)；所得特征點(diǎn)直接送入分類層進(jìn)行分類或經(jīng)過全連接層后再進(jìn)行分類。

2.如權(quán)利要求1所述的一種基于多路特征加權(quán)的殘差卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法，其特征在于，所述方法還包括以下步驟：

5)在模型訓(xùn)練開始階段，加權(quán)系數(shù)k和卷積核內(nèi)系數(shù)通過多種方式隨機(jī)初始化，最終用于分類的網(wǎng)絡(luò)參數(shù)將在反向傳播過程中不斷優(yōu)化直至獲得最優(yōu)值。

3.如權(quán)利要求1或2所述的一種基于多路特征加權(quán)的殘差卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法，其特征在于，所述步驟2)中，卷積核尺寸設(shè)置為7×7、步長為2的卷積和尺寸為3×3、步長為2的最大池化；根據(jù)步驟1)中裁剪后的輸入圖像做尺寸上的修改。

4.如權(quán)利要求1或2所述的一種基于多路特征加權(quán)的殘差卷積神經(jīng)網(wǎng)絡(luò)圖像分類方法，其特征在于，所述步驟3)中，卷積組內(nèi)卷積核尺寸的選取方式為：一種是在計(jì)算資源允許的情況下選擇卷積核尺寸的組合，以覆蓋所有特征類型；另一種方案是根據(jù)需要分類的圖像特征，人工設(shè)計(jì)卷積核尺寸參數(shù)；采用上述兩種方式的結(jié)合。