[發(fā)明專利]一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建方法、計算機(jī)及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210121033.6
• 申請日: 2022-02-09
• 公開（公告）號: CN114463560A
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計）人: 左東潤;高又松;吳之光
• 申請（專利權(quán)）人: 西安超越申泰信息科技有限公司
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京連和連知識產(chǎn)權(quán)代理有限公司 11278
• 代理人: 馬鵬林;黃艷南

本發(fā)明公開了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建方法，該方法包括：卷積層采用光譜維度的一維卷積；全連接層對卷積層提取的第一特征做非線性組合，得到第二特征；全連接層將第二特征映射到樣本網(wǎng)絡(luò)。本發(fā)明還公開了一種計算機(jī)和計算機(jī)可讀存儲介質(zhì)。通過本發(fā)明的方案，可以有效避免在后續(xù)分類時造成原始圖像的信息丟失，也可以避免在對壓縮后的圖像進(jìn)行分類時分類器可能會將目標(biāo)物的種類誤判的現(xiàn)象發(fā)生。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建方法、計算機(jī)及介質(zhì)。

背景技術(shù)

生活中的所有圖像都取自自然界，自然界有著自己獨(dú)特的關(guān)聯(lián)性。即，多個圖像之間存在著相似的特征。而卷積神經(jīng)網(wǎng)絡(luò)就是要挖掘多個圖像間的關(guān)聯(lián)性。所以，在設(shè)計卷積神經(jīng)網(wǎng)絡(luò)時，首先要選擇卷積神經(jīng)網(wǎng)絡(luò)特有的特征分析方式，即卷積核。卷積核就是圖像處理時，給定輸入圖像，輸入圖像中一個小區(qū)域中像素加權(quán)平均后成為輸出圖像中的每個對應(yīng)像素，其中權(quán)值由一個函數(shù)定義，這個函數(shù)稱為卷積核。通俗講，卷積核好比一個帶有過濾功能的掃描儀，其可以掃描圖像，而卷積核會將圖像中每個像素點中能獲得的特征信息提取出來。故，在對某一像素區(qū)域掃描后卷積核可以產(chǎn)生一個新的二維特征。但是，卷積核的掃描方法并不完美。總會有一些“藏匿”在圖像邊緣的像素點會被遺漏掉。

發(fā)明內(nèi)容

本發(fā)明提出了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建方法、計算機(jī)及計算機(jī)可讀存儲介質(zhì)，可以有效避免在后續(xù)分類時造成原始圖像的信息丟失，也可以避免在對壓縮后的圖像進(jìn)行分類時分類器可能會將目標(biāo)物的種類誤判的現(xiàn)象發(fā)生。

基于上述目的，本發(fā)明實施例的一方面提供了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建方法，具體包括如下步驟：

卷積層采用光譜維度的一維卷積；

全連接層對卷積層提取的第一特征做非線性組合，得到第二特征；

全連接層將第二特征映射到樣本網(wǎng)絡(luò)。

在一種具體可實現(xiàn)方式中，卷積層采用第一閾值個卷積核對高光譜數(shù)據(jù)進(jìn)行掃描。

在一種具體可實現(xiàn)方式中，第一閾值包括8，16，32中的至少一項。

在一種具體可實現(xiàn)方式中，全連接層采用第二閾值個神經(jīng)元與卷積層進(jìn)行對接。

在一種具體可實現(xiàn)方式中，第二閾值包括16。

在一種具體可實現(xiàn)方式中，全連接層的激活函數(shù)為：

f(x)＝max(0,x)

其中，f(x)表示總樣本的平均損失值，x表示每個樣本。

在一種具體可實現(xiàn)方式中，激活函數(shù)的優(yōu)化函數(shù)為：

其中，m代表更新參數(shù)，loss代表損失函數(shù)，p代表學(xué)習(xí)率。

在一種具體可實現(xiàn)方式中，激活函數(shù)的優(yōu)化函數(shù)為：

其中，f_i(x)表示樣本i的損失值，n表示每次迭代所需的樣本數(shù)量。

本發(fā)明實施例的再一方面，還提供了一種計算機(jī)，其包括：卷積層和全連接層；其中，

卷積層配置用于采用光譜維度的一維卷積；

全連接層配置用于對卷積層提取的第一特征做非線性組合，得到第二特征；

全連接層配置用于將第二特征映射到樣本網(wǎng)絡(luò)。

本發(fā)明實施例的再一方面，還提供了一種計算機(jī)可讀存儲介質(zhì)，計算機(jī)可讀存儲介質(zhì)存儲有被處理器執(zhí)行時實現(xiàn)如上方法步驟的計算機(jī)程序。