[发明专利]一种基于深度学习的纹身图像分类方法

权利要求书

1.一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法包括以下步骤：

1)样本变换

1.1)仿射变换；

1.2)弹性变换：对样本进行曲面模拟，过程如下：

对n*m的图像进行变换，得到n*m个向量构成坐标矩阵X；

其中Y＝[y₁,y₂,…,y_m],1≤i≤n，列向量表示图中横坐标第i位置，纵坐标第j位置，1≤j≤m，将其输入到输入维度为2，输出维度为1的神经网络中，采用3层神经网络，变换函数为：

P＝g(W₂g(W₁(X+b₁))+b₂) (2)

其中：

P＝[p_1,1,p_1,2,…,p_1,m,p_2,1,p_2,2,…,p_2,m,…,p_n,1,p_n,2,…,p_n,m]

p_i,j为向量对应的输出值；

g为神经网络的激活函数，选用sigmoid函数即x为函数的输入值；

W₁,W₂,b₁,b₂是(-r,r)均匀分布的随机数；

对于神经网络随机初始化的范围为(-r,r)即构成所需要的曲面模型，满足光滑，并且由参数控制形变复杂度的特性；

得到曲面后，对曲面上毎一点求导得到偏移矩阵G，得到每个像素点最后的偏移坐标：

X_o＝X+G (3)

最后把新图像中点X的像素值取原图像X_o经过线性插值后的像素值；

1.3)遮挡模拟：在每幅输入训练机的图像随机把某一区域的像素值置0；

1.4)白化；

2)自编码预训练：使用CUDA优化后的自编码训练机对大量彩色纹身图像进行训练，得到纹身图像的一些共同地边缘信息，同时对这些图像做些挑选后用于卷积网络的第一层；

3)卷积网络训练：使用CUDA优化后的卷积网络对有标定的纹身图像进行训练得到最终分类结果。

2.如权利要求1所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法还包括以下步骤：

4)对卷积网络优化：使用了随机池化和对于随机池化的BP算法，使用CUDA对整体流程进行优化。

3.如权利要求2所述的一种基于深度学习的纹身图像分类方法，其特征在于：所述分类方法还包括以下步骤：

5)使用holdout验证控制样本变换程度。