[发明专利]一种半监督小样本深度学习图像模式分类识别方法

权利要求书

1.一种半监督小样本深度学习图像模式分类识别方法，其特征在于：该方法包括以下步骤：

S1：对图像样本进行预处理；

S2：将预处理得到的数据输入训练好的网络中，网络通过3D卷积层进行特征提取，得到特征图层；

S3：每个卷积层后接一个池化层，用于缩小特征图层的大小以减少网络中参数的数目；

S4：将经过多层卷积层和池化层提取后的特征与一个全连接层相连，以提取和重新排列需要分类的特征；该全连接层引入局部保邻的正则化操作，减小了相邻样本的特征差异，从而减小了由缺少标签样本而引起的分类准确度下降；

S5：输入待测样本，得到分类准确度；

所述S1具体为：选取数量A的目标像素点及对应的标签作为训练样本，将每个目标像素点周围数量A的像素点构成一个邻域矩阵，包括目标像素点在内；将所有目标像素点的标签、邻域矩阵作为3D卷积神经网络CNN的输入数据；

所述S2具体算法为：

其中表示第i层的第j个特征图层上位于(x,y,z)的神经元输出值，m表示i-1层与第j个特征图层所连接的特征图层的索引值，P_i、Q_i、R_i分别表示第i层的卷积核的高、宽、深度，为第m个特征图层上与位于(p,q,r)点的值，b_ij为第j个特征图层的偏置，g()为激活函数。

2.如权利要求1所述的一种半监督小样本深度学习图像模式分类识别方法，其特征在于：所述S3具体算法为：

其中u(n×n×n)表示作用于卷积层输出特征的三维窗口，α_i,j,m表示邻域内特征点的最大值。

3.如权利要求1所述的一种半监督小样本深度学习图像模式分类识别方法，其特征在于：所述S4具体算法为：

h_f⁽ⁱ⁾＝sig(W_fv_f⁽ⁱ⁾+b_f)

其中s_ij表示第i个和第j个训练样本之间的距离，g⁽ⁱ⁾和g^(j)分别表示第i个和第j个训练样本的坐标，h_f⁽ⁱ⁾表示第i个训练样本提取的特征；R(W_f)表示正则化项；当训练样本i与j相邻时，s_ij就会越大，参数W_fv_f⁽ⁱ⁾和W_fv_f^(j)的差距就会越小。

4.如权利要求3所述的一种半监督小样本深度学习图像模式分类识别方法，其特征在于：所述R(W_f)满足：

其中V_f＝[v_f⁽¹⁾,...v_f^(L),...v_f^(N)]表示全连接层输入向量的矩阵形式，D是对角矩阵(d_ii＝∑_js_ij)，P＝D-S；

对正则化项求导得：