[发明专利]基于多通路卷积神经网络的图像分类方法及系统

权利要求书

1.一种基于多通路卷积神经网络的图像分类方法，其特征在于，包括以下步骤：

输入待分类图像；

对所述待分类图像进行分块，以在所述待分类图像上得到多个图像块；

设计多通路CNN模型，所述多通路CNN模型至少包括局部特征提取通路和全局特征提取通路，其中，所述局部特征提取通路包括第一卷积块和第二卷积块，所述第一卷积块和第二卷积块均包含三个连续的卷积层，所述第一卷积块的一个卷积层输入为33*33*3，所述第一卷积块的另外两个输入均为33*33*64，所述第二卷积块三个卷积层输入均为16*16*128，所有卷积层的卷积核大小均为3*3，且所述局部特征提取通路的卷积层输出的FMs大小与卷积层输入的FMs大小相等，以及所述卷积层输出的FMs隔层串联，卷积块之后是池化层，最大池化层的池化窗口均为3*3，最大池化层的滑动步长均为2；所述全局特征提取通路包括第三卷积块，所述第三卷积块包含三个连续的卷积层，三个卷积层的输入形式分别为33*33*3，25*25*120，17*17*120，输出形式分别是25*25*120，17*17*120，9*9*250，所有卷积层的激活函数均为LReLU函数，LReLU函数形式为其中，y_i表示该函数的输入，a_i表示斜率，分类层的激活函数为softmax函数，输出是属于各种类的概率，取最大概率的类别为图像块的类别，所有卷积层的卷积核大小均为9*9，且所述全局特征提取通路的卷积层输出的FMs个数分别为120、120、250，以及计算所述全局特征提取通路的每个卷积层输出的FMs尺度为：C＝M-N+1，其中，C×C为所述卷积层输出的FMs尺度，M×M为卷积层输入的FMs尺度，N×N为卷积核的尺度；在局部通路上，施加给卷积层权重的正则项均为在全局通路上，三个卷积层后面均采用Dropout正则化方法；

对训练图像进行分块，以在所述训练图像上得到多个训练图像块；

根据所述多通路CNN模型和所述多个训练图像块进行模型训练，以生成CNN分类模型，其中，根据所述CNN分类模型选择所述多个图像块的尺度，根据所述多通路CNN模型和所述多个训练图像块进行模型训练，进一步包括：利用EarlyStopping控制训练过程，以在训练过程中，验证集的精确度不再提高或者训练轮次达到最大时，终止模型训练，具体地：步骤A51：模型参数初始化，卷积层与全连接层中权重的初始化方式均为Xavier正态分布初始化法，偏置向量的初始化方式为全零初始化；步骤A52：调整模型的权重，训练模型时，采用SGD优化模型，使用Keras深度学习框架，SGD的参数设置形式为sgd＝SGD(lr＝lr_base,momentum＝0.9,nesterov＝True)，采用变化的学习率函数为其中，SGD(·)为Keras深度学习框架中的SGD的函数，momentum为动量参数，nesterov＝True表示使用nesterov动量，lr为每一轮训练的学习率，lr_base表示开始训练时的学习率，epoch为训练的轮次，epoches为设置的训练总轮数，lr_power为设置的指数参数；步骤A53：设置训练的终止条件，模型训练过程中使用EarlyStopping方法；当验证集的精确度不再提高时，或者当训练次数达到设定的最大值时，训练过程自动终；步骤A54：保存训练好的模型，当训练终止后，保存训练好的模型：包括保存模型权重、模型结构信息和模型结构图，保存模型权重的文件类型为.hdf、模型结构信息的文件类型为.json、模型结构图的文件类型为.png；以及

根据所述多个图像块通过所述CNN分类模型得到图像分类结果。

2.根据权利要求1所述的基于多通路卷积神经网络的图像分类方法，其特征在于，所述设计多通路CNN模型，进一步包括：对所述多通路CNN模型使用正则项，其中，

在所述局部特征提取通路上，对所述局部特征提取通路的每个卷积层的权重施加正则项l2：

其中，C表示有正则项的代价函数，C₀表示原始代价函数，正则项l2为λ表示正则项的系数，n表示训练样本数，w表示卷积层权重；

在所述全局特征提取通路上，使用Dropout正则化方法，以在训练模型时，随机按比例保留所述全局特征提取通路的卷积层的预设节点的权重。

3.一种基于多通路卷积神经网络的图像分类系统，其特征在于，包括：

输入模块，用于输入待分类图像；

第一分块模块，用于对所述待分类图像进行分块，以在所述待分类图像上得到多个图像块；

设计模块，用于设计多通路CNN模型，所述多通路CNN模型至少包括局部特征提取通路和全局特征提取通路，其中，所述局部特征提取通路包括第一卷积块和第二卷积块，所述第一卷积块和第二卷积块均包含三个连续的卷积层，所述第一卷积块的一个卷积层输入为33*33*3，所述第一卷积块的另外两个输入均为33*33*64，所述第二卷积块三个卷积层输入均为16*16*128，所有卷积层的卷积核大小均为3*3，且所述局部特征提取通路的卷积层输出的FMs大小与卷积层输入的FMs大小相等，以及所述卷积层输出的FMs隔层串联，卷积块之后是池化层，最大池化层的池化窗口均为3*3，最大池化层的滑动步长均为2；所述全局特征提取通路包括第三卷积块，所述第三卷积块包含三个连续的卷积层，三个卷积层的输入形式分别为33*33*3，25*25*120，17*17*120，输出形式分别是25*25*120，17*17*120，9*9*250，所有卷积层的激活函数均为LReLU函数，LReLU函数形式为其中，y_i表示该函数的输入，a_i表示斜率，分类层的激活函数为softmax函数，输出是属于各种类的概率，取最大概率的类别为图像块的类别，所有卷积层的卷积核大小均为9*9，且所述全局特征提取通路的卷积层输出的FMs个数分别为120、120、250，以及计算所述全局特征提取通路的每个卷积层输出的FMs尺度为：C＝M-N+1，其中，C×C为所述卷积层输出的FMs尺度，M×M为卷积层输入的FMs尺度，N×N为卷积核的尺度；在局部通路上，施加给卷积层权重的正则项均为在全局通路上，三个卷积层后面均采用Dropout正则化方法；

第二分块模块，用于对训练图像进行分块，以在所述训练图像上得到多个训练图像块；

训练模块，用于根据所述多通路CNN模型和所述多个训练图像块进行模型训练，以生成CNN分类模型，其中，根据所述CNN分类模型选择所述多个图像块的尺度，所述训练模块进一步用于利用EarlyStopping控制训练过程，以在训练过程中，验证集的精确度不再提高或者训练轮次达到最大时，终止模型训练，具体地：步骤A51：模型参数初始化，卷积层与全连接层中权重的初始化方式均为Xavier正态分布初始化法，偏置向量的初始化方式为全零初始化；步骤A52：调整模型的权重，训练模型时，采用SGD优化模型，使用Keras深度学习框架，SGD的参数设置形式为sgd＝SGD(lr＝lr_base,momentum＝0.9,nesterov＝True)，采用变化的学习率函数为其中，SGD(·)为Keras深度学习框架中的SGD的函数，momentum为动量参数，nesterov＝True表示使用nesterov动量，lr为每一轮训练的学习率，lr_base表示开始训练时的学习率，epoch为训练的轮次，epoches为设置的训练总轮数，lr_power为设置的指数参数；步骤A53：设置训练的终止条件，模型训练过程中使用EarlyStopping方法；当验证集的精确度不再提高时，或者当训练次数达到设定的最大值时，训练过程自动终；步骤A54：保存训练好的模型，当训练终止后，保存训练好的模型：包括保存模型权重、模型结构信息和模型结构图，保存模型权重的文件类型为.hdf、模型结构信息的文件类型为.json、模型结构图的文件类型为.png；以及

分类模块，用于根据所述多个图像块通过所述CNN分类模型得到图像分类结果。