[發明專利]基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法

有效

• 申請號: 202110760099.5
• 申請日: 2021-07-05
• 公開（公告）號: CN113435376B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 李亞峰;孫潔琪;張文博;劉鵬輝
• 申請（專利權）人: 寶雞文理學院
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/82;G06V10/764;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 北京精金石知識產權代理有限公司 11470
• 代理人: 強紅剛

1.一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，包括以下具體步驟：

S101、構建基于離散小波變換及逆離散小波變換的雙向特征融合模塊，所述雙向特征融合模塊由空域特征融合模塊，池化操作以及通道域特征融合模塊構成；

S102、將雙向特征融合模塊嵌入到主流網絡架構中替換原始池化方法；

S103、利用嵌入到主流網絡架構中的雙向特征融合模塊的深度卷積神經網絡在經典圖像分類數據集上進行特征圖訓練及測試；

所述特征圖經過雙向特征融合模塊，即依次經過空域特征融合模塊，池化操作、通道域特征融合模塊，因此，雙向特征融合模塊歸結為：

給定一個特征圖x作為輸入，依次經過空間特征融合模塊f_s，池化操作Pooling和通道域特征融合模塊f_c，x'表示特征圖經過雙向特征融合模塊后得到的結果。

2.根據權利要求1所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述空域特征融合模塊在實現空域特征間的融合時包括以下步驟：

S201、利用離散小波變換分解輸入特征，得到低頻特征、水平方向的高頻特征、垂直方向的高頻特征以及對角方向的高頻特征；

S202、利用逆離散小波變換分組重構，得到與原始特征空域維度相同的四類特征，以實現空域特征間的融合。

3.根據權利要求2所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述分組重構是指對低頻特征單頻重構，低頻和水平方向高頻進行重構，低頻和垂直方向高頻進行重構及低頻和對角方向高頻進行重構。

4.根據權利要求2所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述空域特征融合模塊得到的四組特征為空域特征且分布特征近似，對損失函數影響相當，同時對于從空域獲取到的四組融合特征，分別對其進行池化。

5.根據權利要求2所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述空域特征融合模塊，利用離散小波變換與逆離散小波變換進行空域特征融合的過程中，不增加任何參數。

6.根據權利要求1所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述通道域特征融合模塊，將池化后的多組特征進行通道維度的拼接，再利用1x1卷積進行降維，以實現信息交互，使得不同頻段信息進行通道域的相互補充與傳遞。

7.根據權利要求1所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述雙向特征融合模塊封裝為獨立模塊用于替換深度卷積神經網絡中的池化操作。

8.根據權利要求1所述的一種基于離散小波變換的雙向特征融合深度卷積神經網絡構建方法，其特征在于，所述的利用嵌入到主流網絡架構中的雙向特征融合模塊的深度卷積神經網絡在公開圖像分類數據上進行訓練并測試，用于實現提升模型的分類精度。