[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法

有效

• 申請?zhí)枺?/td>: 201910624323.0
• 申請日: 2019-07-11
• 公開（公告）號: CN110321967B
• 公開（公告）日: 2021-06-01
• 發(fā)明（設計）人: 李躍輝;趙誠誠
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 王路

1.一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：具體包含如下步驟：

步驟一：對輸入圖像進行圖像增強、濾波和降噪預處理操作，以降低之后對圖像特征提取的影響；

步驟二：預處理之后得到的圖像進行卷積操作，提取圖像特征，并采用最大池化方法進行池化，提取接受域中值最大的像素點，舍棄其余像素點，得到的特征圖在尺寸降低的同時還保留了圖像的關鍵信息，減小卷積核尺寸，然后再次進行卷積池化操作，輸出更加抽象的特征圖；

步驟三：將步驟二輸出的經(jīng)過池化卷積操作得到的特征圖通過多個連續(xù)的卷積層進行卷積，將不同通道的特征進行充分的融合，并將該特征圖送入到金字塔池化層進行池化；

步驟四：將特征圖通過多尺度卷積層進行卷積操作，這樣就得到固定尺寸大小的特征圖；

步驟五：采用LDA方法對特征圖進行進一步的降維與分類，利用LDA進行投影，將投影后的樣本特征信息帶入到概率密度函數(shù)中計算，得到概率分布信息，輸出計算結果和預測類別。

2.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：步驟一中，對于輸入圖像進行高斯濾波，以抑制噪聲，平滑圖像，并同時對圖像進行翻轉，對色彩、飽和以及對比度進行調整。

3.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：步驟三中共使用了四層連續(xù)的卷積層對圖像的不同通道的特征進行充分融合。

4.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：步驟四中，采用三種不同尺度對特征圖進行映射，分別采用三種不同的卷積操作進行卷積，使得不論輸入圖像大小如何，最終都能得到固定尺寸的特征圖。

5.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：步驟五中，采用LDA對特征矩陣進行降維，全局散度矩陣S_t定義為：

其中m為總樣本數(shù)，x_i為第i個樣本向量，μ為所有樣本的均值向量，T為矩陣論中求轉置矩陣的數(shù)學符號；

類內離散度矩陣S_ω定義為：

其中N為樣本總類別數(shù)，X_i為第i類樣本矩陣，x為第i類每一個樣本的向量，μ_i為第i類所有樣本的均值向量；

類間離散度矩陣S_b定義為：

S_b＝S_t-S_ω

因此優(yōu)化目標定義為：

其中W∈R^d×(N-1)，W為N-1個特征向量組成的特征矩陣，通過優(yōu)化目標公式，計算得到一組最優(yōu)鑒別矢量構成的投影矩陣，該矩陣對N維特征空間進行投影，輸出N-1維的低維特征空間。

6.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：本網(wǎng)絡采用重疊的最大池化，即相鄰池化窗口之間會有重疊區(qū)域，用于提升特征的豐富性，避免過擬合現(xiàn)象。

7.根據(jù)權利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的圖像分類改進方法，其特征在于：神經(jīng)網(wǎng)絡中的數(shù)據(jù)送入到激活函數(shù)中計算，所使用的激活函數(shù)為修正線性單元Leaky ReLU。