[發明專利]一種基于偏微分算子的等變卷積網絡模型的圖像分類方法

有效

• 申請號: 202010189225.1
• 申請日: 2020-03-17
• 公開（公告）號: CN111401452B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 林宙辰;沈錚陽;何翎申
• 申請（專利權）人: 北京大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種基于偏微分算子的等變卷積網絡模型的圖像分類識別方法，其特征在于，針對卷積網絡模型的輸入層和中間層，基于偏微分算子分別設計輸入層的等變卷積和中間層的等變卷積，構建等變卷積網絡模型PDO-eConv，并進行模型訓練；模型PDO-eConv輸入為圖像數據，輸出為圖像的預測分類，從而實現高效地進行圖像分類識別視覺分析；包括以下步驟：

1)將圖像數據分為訓練樣本和測試樣本；

2)對訓練樣本進行預處理，進行標準圖像增強處理；

3)構建基于偏微分算子的等變卷積網絡模型并進行訓練：

針對任一卷積網絡模型的輸入層和中間層，利用偏微分算子分別構建用于輸入層和中間層的等變卷積；構建等變卷積和對等變卷積參數初始化包括如下操作：

31)確定等變卷積網絡模型的等變群S；等變群包括由旋轉、反射、平移三種變換生成的變換群pnm和由旋轉、平移兩種變換生成的變換群pn；n為旋轉變換的個數；

32)構建輸入層的等變卷積，用于處理輸入圖像數據：

定義微分算子族Ψ^(A),A∈S，表示為式1：

其中，A是屬于等變群S的正交矩陣；H(·,·)是二元多項式，該二元多項式中各項系數的集合為β，是后續生成的輸入層等變卷積中的參數；和表示兩個依賴于A的微分算子；

將式1的Ψ^(A)多項式中的所有微分算子離散化，得到新的算子，即得到輸入層的等變卷積；

33)構建中間層的等變卷積，用于處理中間層特征圖：

定義微分算子族表示為式4：

其中，H_B為多項式；多項式H_B的各項系數的集合為β(B)，是后續生成的中間層等變卷積中的參數；

將式(4)中的微分算子離散化，得到新的算子，即得到中間層的等變卷積；

34)對等變卷積進行初始化：

先采用參數初始化方法初始化上述構建 的輸入層等變卷積和中間層等變卷積，得到等變卷積的初始化值；

然后用該初始化值反解出對應的等變卷積參數β或β(B)，作為對應的等變卷積真實的初始化值；

將上述構建并初始化的輸入層的等變卷積和中間層的等變卷積作為卷積網絡模型中的輸入卷積層和中間卷積層，即得到等變卷積網絡模型；

35)利用訓練樣本圖像對該等變卷積網絡模型進行訓練，得到訓練好的基于偏微分算子的等變卷積網絡模型；

4)利用步驟3)構建并訓練好的基于偏微分算子的等變卷積網絡模型，對測試圖像樣本進行識別，得到預測的圖像分類標簽，由此實現圖片分類識別，其中測試樣本無需經過圖像預處理。

2.如權利要求1所述基于偏微分算子的等變卷積網絡模型的圖像分類識別方法，其特征是，步驟2)對訓練樣本進行標準圖像增強處理，具體采用標準圖像增強技術，包括在圖像的每邊增加零值像素，再進行隨機裁剪；對圖像進行隨機水平旋轉；對圖像進行隨機中心旋轉處理。

3.如權利要求1所述基于偏微分算子的等變卷積網絡模型的圖像分類識別方法，其特征是，步驟31)確定等變卷積網絡模型的等變群：

當考慮旋轉、反射、平移變換三種變換時，確定等變群S為pnm；

當僅考慮旋轉和平移變換兩種變換時，確定等變群S為pn。