[发明专利]一种密集权重连接的卷积神经网络图像分类方法

权利要求书

1.一种密集权重连接的卷积神经网络图像分类方法，其特征在于，所述方法包括以下步骤：

1)首先，模型的输入图像为经过预处理的原始图像，经过预处理的图像裁剪为一个固定尺寸；

2)对图像进行较大尺寸的卷积操作和池化操作；

3)将步骤2)中输出的特征送入第一个密集权重连接模块，所述密集权重连接模块的每个卷积组将包含多个1×1或3×3卷积，对拥有任意卷积组个数的密集权重连接块：卷积组n的输入为该卷积组之前n-1个卷积组的输出与密集权重连接块原始输入的加权组合；密集权重连接块的最终输出为所有卷积组的输出与密集权重连接块原始输入的加权组合；

4)加权组合处理：首先需要对用于加权的特征进行dropout处理：先对所有需要加权处理的输入特征设定一个概率值，在加权处理的初始阶段，计算设备会对每一个输入特征进行判断，并根据设定的概率值随机决定是否保留该特征并送入后续的加权合并操作；之后对所有被保留的特征进行加权组合处理；

加权组合方法是对另每一个输入特征乘以一个参数k，然后在特征通道进行拼接；或者是：对每一个输入特征进行1×1的卷积处理，然后在特征通道进行拼接；

5)将步骤3)中密集权重连接块的输出继续送入下一个卷积层与池化层，此时的特征图像将近一步缩小；在经过多次密集权重连接块、卷积层、池化层的组合后，特征图像将不断组合并缩小为特征点；得到的特征点直接送入分类层进行分类或送入全连接层后再进行分类。

2.如权利要求1所述的一种密集权重连接的卷积神经网络图像分类方法，其特征在于，所述方法还包括以下步骤：

6)在模型训练开始阶段，加权参数和卷积层参数通过多种方式初始化，最终的参数将在反向传播过程中不断优化直至获得最优值。

3.如权利要求1或2所述的一种密集权重连接的卷积神经网络图像分类方法，其特征在于，所述步骤2)中，卷积核尺寸为7×7、步长为2的卷积和尺寸为3×3、步长为2的最大池化。

4.如权利要求1或2所述的一种密集权重连接的卷积神经网络图像分类方法，其特征在于，卷积组1的输入为整个密集权重连接模块的输入；卷积组1的输出将与密集权重连接块的输入一起进行加权组合处理并送入卷积组2；同理，卷积组2的输出将与卷积组1的输出、密集权重连接块的输入一起进行加权组和处理送入卷积组3，而卷积组3的输出将与卷积组2的输出、卷积组1的输出、密集权重连接块的输入一起进行加权组和处理，最终的加权组合结果就是整个密集权重连接块的输出。