[發明專利]基于小波變換的漸進式深度卷積網絡圖像識別方法及裝置有效
| 申請號： | 201910783600.2 | 申請日： | 2019-08-23 |
| 公開（公告）號： | CN110633735B | 公開（公告）日： | 2021-07-30 |
| 發明（設計）人： | 何志權;曹文明;劉啟凡 | 申請（專利權）人： | 深圳大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京東和長優知識產權代理事務所(普通合伙) 11564 | 代理人： | 周捷 |
| 地址： | 518060 廣東*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 變換 漸進 深度 卷積 網絡 圖像 識別 方法 裝置 | ||
1.一種基于小波變換的漸進式深度卷積網絡圖像識別方法，其特征在于，所述方法包括：
步驟S101：選取訓練圖像集，對訓練圖像Xk進行小波分解，獲得所述訓練圖像的成分圖像I1…Im；
步驟S102：訓練漸進式深度卷積神經網絡模型，包括：構建M個單獨的DNN子網絡N1…Ni…NM組成的漸進式深度神經網絡層，將所述成分圖像I1…Im分別輸入對應的DNN子網絡N1…Nm，輸出成分圖像I1…Im對應的特征F1…Fm，各個數據通道R1-Rm上進行特征融合，將通道Ri獲得的成分圖像Ii對應的特征Fi與在前的數據通道Ri-1對應的特征Fi-1融合，第一數據通道R1融合后特征仍為F1；將各通道上融合后的特征F1…Fm分別輸入各自對應的評估子網絡E1…Em，各評估子網絡E1…Em用于計算各評估子網絡的損失函數，并將所述損失函數值輸入決策控制網絡，由決策控制網絡確定識別訓練圖像Xk所需的DNN子網絡的最少層級；其中，1≤i≤M；
所述決策控制網絡的損失函數定義為
L＝LE+αLCADP-βLwavelet，
所述決策控制網絡的損失函數的控制目標為最大化該損失函數；
其中α、β分別表示損失函數系數，取值均為0.1，LE用于評價評估子網絡，由所述評估子網絡的輸出和訓練圖像類別的交叉熵定義，
其中，M是評估子網絡的個數，wn是第n個評估子網絡的權重，wn＝γwn-1，γ＜1，yn是第n個評估子網絡的輸出；是訓練圖像的真正類別；
其中k是訓練圖像類別的下標，C是訓練圖像類別數目，LCE()是評估子網絡的損失函數，為交叉熵函數；
LCADP用于優化最小化累積的計算復雜度和預測的誤差；
其中C(s)是第s個DNN子網絡的復雜度，用該子網絡的參數個數來表示，N(x)是訓練圖像Xk所需要的DNN子網絡個數，即需要多少個DNN子網絡才能輸出正確的分類結果，yN(x)是N(x)個DNN子網絡中最后一個DNN子網絡的輸出；
Lwavelet用于描述圖像小波變換的損失，
其中Xk是訓練圖像，l是小波變換的階數；
對訓練圖像Xk，通過所述決策控制網絡決策，得到最早輸出了正確分類結果的評估網絡層級α，即E(Xk，α)＝1，表示訓練圖像Xk在第α層DNN子網最早得到正確分類識別；
步驟S103：判斷所述漸進式深度卷積神經網絡模型是否穩定，若否，進入步驟S101；若是，進入步驟S104；
步驟S104：獲取待識別圖像，利用預先訓練好的所述漸進式深度卷積神經網絡模型識別圖像。
2.如權利要求1所述的基于小波變換的漸進式深度卷積網絡圖像識別方法，其特征在于，所述DNN子網絡N1的輸入與訓練圖像原圖大小一致。
3.如權利要求1所述的基于小波變換的漸進式深度卷積網絡圖像識別方法，其特征在于，所述決策控制網絡為遞歸神經網絡(RNN)。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于深圳大學，未經深圳大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910783600.2/1.html，轉載請聲明來源鉆瓜專利網。
