【发明授权】一种图像分类方法_华北电力大学(保定)_201910659388.9 

申请/专利权人:华北电力大学(保定)

申请日:2019-07-22

发明/设计人:张珂;郭玉荣;王新胜;苏昱坤

公开(公告)日:2021-02-19

代理机构:北京卓岚智财知识产权代理事务所(特殊普通合伙)

公开(公告)号:CN110472668B

代理人:王新月

主分类号:G06K9/62(20060101)

地址:071003 河北省保定市永华北大街619号

分类号:G06K9/62(20060101)

优先权:

专利状态码:有效-授权

法律状态:2021.02.19#授权;2019.12.13#实质审查的生效;2019.11.19#公开

摘要:本发明公开了一种图像分类方法,该方法具体为基于端到端双通道特征重标定密集连接卷积神经网络的图像分类方法,该方法通过一个网络模型即可完成通道特征重标定与层间特征重标定并进行合并,并且这个模型的训练过程是端到端训练,即本申请不需要分阶段完成训练,也不需要多个模型的多次存取,可以直接实现端到端训练,训练过程简单,训练及测试耗时大大缩短。

主权项:1.一种图像分类方法,其特征在于,所述方法包括:在基本密集连接卷积神经网络框架基础上建立双通道特征重标定密集连接卷积神经网络DualFeatureReweightDenseNet,DFR-DenseNet,该DFR-DenseNet中每个卷积层的输出特征图经过两个通道分别完成通道特征重标定以及层间特征重标定,得到两种有相同通道数的特征图,再对两种特征图进行特征图的合并;采用所述双通道特征重标定密集连接卷积神经网络对图像分类数据集分类;其中,为确保每个卷积层的输出特征图在重标定之后的通道数与重标定之前的通道数相同,对合并后的特征图进行1×1卷积操作实现通道的降维,实现卷积层的通道特征重标定与层间特征重标定;其中,所述双通道包括第一通道和第二通道,在第一个通道,通过训练的方式自动获取每个通道特征的重要程度,提升有用的特征并抑制对当前任务无效的特征,建模了单个卷积层输出特征图的通道特征相关性,在第二个通道,通过训练的方式自动获取每层特征的重要程度,实现特征层维度上的特征重标定;其中,第一个通道完成卷积层的通道特征重标定具体包括:每个3×3卷积层的输出特征图首先经过“挤压”操作,顺着空间维度对特征图进行特征压缩,将每个通道的二维特征图变成一个实数,第g层第k个特征图Xg,k的压缩过程用公式2表示;“激励”操作由两个全连接层FC组成,为每个通道特征生成权重,激励过程可用公式3表示,其中X″g,k是第g层第k个特征图的权重值,δ表示ReLU函数,σ表示Sigmoid函数;最后是重定位操作,将输出的权重通过乘法赋权到每个通道特征上,如公式4所示,实现了通道维度上的特征重标定; 其中,W表示特征图的宽,H表示特征图的高;X″g,1,X″g,2,…,X″g,C=FexX′g,1,X′g,2,…,X′g,C=σW2δW13其中,W1表示第一个全连接层的参数,W2表示第二个全连接层的参数;Xg,k=FRe·=Xg,k·X″g,k4第二个通道完成层间特征重标定;首先,进行第一次“挤压激励”操作,对每层输出特征图进行“挤压激励”,操作过程与通道特征重标定相同,生成每层输出通道特征的挤压值X′g,1,X′g,2,…,X′g,C以及权重值X″g,1,X″g,2,…,X″g,C;然后进行第二次“挤压”操作,对“挤压”后的通道特征压缩值与“激励”后的通道特征权重值进行加权平均,将每层特征压缩为一个实数值,如公式5所示,X′g表示第g层的压缩值,表征了每层特征图的全局分布;接着,对层压缩值进行“激励”操作,获得各层特征的权重值,可用公式6表示;最后,对各层特征进行赋权,如公式7所示,实现了在特征层维度上的特征重标定; 其中,C表示每个卷积层特征图的通道数;X″1,X″2,…,X″N-1=F′exX′1,X′2,…,X′N-1=δW36其中,W3表示全连接层的参数;Xg=F′Re·=Xg·X″g7两个通道分别完成了通道特征重标定以及层间特征重标定,得到两种有相同通道数的特征图,再对两种特征图进行特征图的合并;为确保每个卷积层的输出特征图在重标定之后的通道数与重标定之前的通道数相同,对合并后的特征图进行1×1卷积操作实现通道的降维;如公式8所示,输入第N层的特征图为:[H[X1,k,X1],H[X2,k,X2],...,H[XN-1,k,XN-1]]8其中,H·表示复合函数:1×1卷积,ReLU函数;通过对两类特征图合并再降维,同时保留了通道重定位与层间重定位对特征的影响,并避免了两种重定位间的相互影响;由于该网络中每个卷积层的输出特征图经过两个通道分别完成通道特征重标定以及层间特征重标定,故将此网络命名为双通道特征重标定密集连接卷积神经网络DualFeatureReweightDenseNet,DFR-DenseNet。

全文数据:

权利要求:

百度查询: 华北电力大学(保定) 一种图像分类方法