[发明专利]基于皮层丘脑计算模型的图像分类方法

权利要求书

1.一种基于皮层丘脑计算模型的图像分类方法，其特征在于，包括：

基于轮廓先验神经网络N₁、融合丘脑调控作用的神经网络N₂，分别对输入图像进行分类标记的预测，并按照预设的权值对两个预测结果进行融合得到所述输入图像的分类；

其中，

所述基于轮廓先验神经网络N₁为通过轮廓先验知识训练集训练后的全连接神经网络；

所述融合丘脑调控作用的神经网络N₂为通过轮廓先验知识训练集、以及所述基于轮廓先验神经网络N₁对所述轮廓先验知识训练集的分类结果训练和基于微分-赫布学习法则训练后的全连接神经网络，具体地：

所述基于轮廓先验神经网络N₁，其训练方法为：

步骤S11，利用canny算子提取图片的轮廓，并构建所述轮廓先验知识训练集；

步骤S12，利用所述轮廓先验知识训练集，基于第一网络损失函数训练所述基于轮廓先验神经网络N₁；

所述第一网络的损失函数为：

其中，x_m为所述基于轮廓先验神经网络N₁的输出，Y^m为所述轮廓先验知识训练集中各图像的真实分类；

所述融合丘脑调控作用的神经网络N₂，其基于轮廓先验神经网络N₁对所述轮廓先验知识训练集的分类结果训练方法为：

步骤S21，利用所述轮廓先验知识训练集，通过所述基于轮廓先验神经网络N₁获得第一类别标签

步骤S22，利用所述轮廓先验知识训练集，通过所述融合丘脑调控作用的神经网络N₂获得输出y_m，并基于第二网络的损失函数训练所述融合丘脑调控作用的神经网络N₂；

所述第二网络的损失函数为：

λ₂为轮廓先验神经网络N₁对融合丘脑调控作用的神经网络N₂的指导系数；Y^m为第二类别标签；

其中，

所述第一类别标签为轮廓先验神经网络N₁输出的先验指导类别标签；

所述第二类别标签Y^m为图片真实类别标签，y_m为所述融合丘脑调控作用的神经网络N₂的输出；

所述融合丘脑调控作用的神经网络N₂，其基于微分-赫布学习法则训练方法为：

步骤S31：融合丘脑调控作用的神经网络N₂记住第一次迭代时每个神经元的值及相应权重；

步骤S32：采用基于微分-赫布学习法则的迭代方法进行下一次迭代，获取每个神经元的值，以及相应的权重改变；

步骤S33：重复步骤S32，直至达到最大迭代次数。

2.根据权利要求1所述图像分类方法，其特征在于，所述轮廓先验神经网络N₁采用反向传播算法、或批量梯度下降法进行参数优化；

所述融合丘脑调控作用的神经网络N₂采用反向传播算法、或批量梯度下降法进行参数优化。

3.根据权利要求2所述图像分类方法，其特征在于，所述轮廓先验神经网络N₁为两层的全连接神经网络，输入层神经元个数为28*28，输出层神经元个数为10。

4.根据权利要求2所述图像分类方法，其特征在于，所述融合丘脑调控作用的神经网络N₂为三层全连接神经网络，网络的输入层神经元个数为784，隐藏层神经元个数为500，输出层神经元个数为10。

5.根据权利要求1所述图像分类方法，其特征在于，所述分类计算公式为：

y＝λ₂*x_m+(1-λ₂)*y_m。