[發明專利]一種基于延遲機制的多層圖像分類方法

有效

• 申請號: 202110676116.7
• 申請日: 2021-06-18
• 公開（公告）號: CN113408611B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 萇澤宇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/063;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

本發明公開了一種基于延遲機制的多層圖像分類方法，屬于圖像處理技術領域，其包括以下步驟：S1、構建圖像分類模型；S2、采用圖像集對圖像分類模型進行訓練，得到訓練完成的圖像分類模型；S3、采用訓練完成的圖像分類模型對圖像進行分類，得到圖像的類別；圖像分類模型包括依次連接的特征提取單元、脈沖延遲編碼單元和多層分類器；本發明解決了Spikeprop算法的延遲機制僅僅只是用于對兩個神經元之間的不同突觸信號進行區分的問題。

技術領域

本發明涉及圖像處理技術領域，具體涉及一種基于延遲機制的多層圖像分類方法。

背景技術

Spikeprop算法的拓撲結構屬于多層前饋神經網絡的模型。神經元分層排列，當刺激信號傳入時，是將刺激信號轉化為脈沖信號的神經元，可以對應為輸入層。最后一層為輸出層，是對刺激進行整合后，產生的脈沖輸出層。在編碼神經元層與輸出層中間的都稱為學習神經元，對應傳統神經網絡中的隱藏層。隱藏層可以為n，n的取值為大于等于1的正整數，就形成深度脈沖神經網絡。各層神經元之間通過突觸連接。兩個神經元之間的突觸個數不唯一。并且突觸之間可以使用延遲時間和連接權值對神經元之間的信號傳遞進行處理和整合。此機制使得脈沖神經元的輸入信號能夠對突觸后神經元產生更加長時間的影響。

在學習算法過程中，Spikeprop算法已經引入了延遲機制，但是其延遲機制僅僅只是用于對兩個神經元之間的不同突觸信號進行區分。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于延遲機制的多層圖像分類方法解決了Spikeprop算法的延遲機制僅僅只是用于對兩個神經元之間的不同突觸信號進行區分的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于延遲機制的多層圖像分類方法，包括以下步驟：

S1、構建圖像分類模型；

S2、采用圖像集對圖像分類模型進行訓練，得到訓練完成的圖像分類模型；

S3、采用訓練完成的圖像分類模型對圖像進行分類，得到圖像的類別；

圖像分類模型包括依次連接的特征提取單元、脈沖延遲編碼單元和多層分類器；所述特征提取單元用于對圖像進行特征提取，得到特征圖像數據；所述脈沖延遲編碼單元用于對特征圖像數據進行編碼，得到激發脈沖時間序列；所述多層分類器用于處理激發脈沖時間序列，得到圖像的類別。

進一步地，脈沖延遲編碼單元對特征圖像數據進行編碼的公式為：

t_i＝t_max-ln(ax_i+1)

其中，t_i為第i個像素點對應的激發脈沖時間點，t_max為編輯時間窗的大小，a為編碼參數，x_i為特征圖像數據對應的第i個像素點的像素值。

進一步地，多層分類器包括：輸入層、隱藏層和輸出層；

所述多層分類器的訓練方法為：

A1、將激發脈沖時間序列輸入多層分類器，確定每層每個神經元的目標點火時間，將未點火的神經元的點火時間記為-1；

A2、選出點火時間不為-1的輸出層或隱藏層上的點火神經元；

A3、根據每層每個神經元的目標點火時間，計算輸出層所有點火神經元的學習參數和隱藏層所有點火神經元的學習參數；

A4、根據輸出層所有點火神經元的學習參數和隱藏層所有點火神經元的學習參數，對輸出層和隱藏層間的所有點火神經元的延遲進行調整，對輸入層和隱藏層間的所有點火神經元的延遲進行調整；

A5、根據延遲調整后的多層分類器，再次計算輸出層所有點火神經元的學習參數和隱藏層所有點火神經元的學習參數；