[发明专利]一种基于可跳层双支神经网络的图像粗细粒度分类方法在审

专利信息
申请号: 201810479296.8 申请日: 2018-05-18
公开(公告)号: CN108776807A 公开(公告)日: 2018-11-09
发明(设计)人: 姜育刚;付彦伟;程昌茂;薛向阳 申请(专利权)人: 复旦大学
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04
代理公司: 上海正旦专利代理有限公司 31200 代理人: 陆飞;陆尤
地址: 200433 *** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 神经网络 跳层 卷积神经网络 粗细粒度 图像 卷积 分类 计算机图像处理技术 细粒度分类 分类结果 计算效率 类别标签 门控模块 收集数据 数据增强 图像数据 训练样本 粗粒度 可变的 灵活的 层级 构建 推断 样本 输出 网络
【说明书】:

发明属于计算机图像处理技术领域,具体为基于可跳层双支神经网络的图像粗细粒度分类方法。本发明方法包括:收集数据集,包括图像数据和对应的粗类别和细类别标签;构造可跳层双支神经网络,在密集连接的卷积神经网络中加入层级门控模块;对训练样本进行数据增强,训练可跳层双支神经网络;训练一端到端的神经网络,输出分类结果。本发明构建的可跳层双支神经网络可同时解决图像粗粒度和细粒度分类任务。该模型在密集连接的卷积层中加入门控模块,可根据输入动态地选择卷积层的执行;根据样本的难易程度和分类任务的粒度,网络的推断深度是可变的。此种灵活的卷积神经网络有利于提升模型容量和计算效率。

技术领域

本发明属于计算机图像处理技术领域,具体涉及图像粗细粒度分类方法。

背景技术

从著名的AlextNet [1]在ImageNet图像比赛上大获成功开始,关于深度卷积神经网络的设计探索工作大量涌现。文[2]提出了深度残差网络(ResNets),将浅层特征通过快捷连接和更深的层特征按元素求和,使得训练几百上千层的网络可行。后来,文[3]提出了一种简洁高效的密集连接网络(DenseNets),将前面的层输出直接拼接到后面层的输出,这种简单的密集连接方式使用更少的参数达到了前沿的效果。不同于ResNets和DenseNets的快捷连接,本方法跳层机制是学习在网络推断阶段是否跳过执行部分卷积层,该跳层机制是受人脑在一次识别过程中只有1%的神经元被使用这一事实启发的。

文[4, 5]将条件计算(Conditional Computation)引入神经网络,实现根据输入激活神经元或单元块以达到神经网络的部分参与方式。文 [4] 提出利用附属的二元信念网络来计算每个结点的丢失率。文 [4] 介绍随机平滑神经元作为神经网络里的二元门控并将启发式地通过阈值函数来进行梯度反向传播的神经元命名直通式估计器(straight-through estimator)。文 [6] 使用循环神经网络(Recurrent Neural Networks)控制器来检验和限制网络推断时中间层的激活状态。相比于传统的条件计算,本方法的跳层机制是预测是否执行卷积层,而非在特征图的元素级别上置零。条件计算通常采用强化学习算法,采样较为低效,需要大量计算来优化策略。而本方法的门控模块是可微函数,能作用于网络的各个卷积层。

本方法除了以适应性计算达到稀疏运行深度网络为出发点,也受左右半脑视觉处理的不对称性启发 [8],可视为将神经科学和计算机视觉相结合的探索性方案。

发明内容

本发明的目的在于提供一种具有计算灵活性,且分类效果好的基于可跳层双支神经网络的图像粗细粒度分类方法。

本发明提出的基于可跳层双支神经网络的图像粗细粒度分类方法,受人脑在处理高低频信息的左右不对称性启发,所设计的可跳层双支网络能执行由粗到细的物体分类。此类网络能端到端地同时处理粗分类和细分类任务。特别地,所提出的跳层机制学习一个门控网络在推断阶段预测哪些卷积层可以被跳过,赋予网络很好的灵活性。

具体的步骤如下:

(1)收集数据集,包括图像数据和对应的粗类别和细类别标签,将数据集切分为训练数据集和测试数据集;并利用语义层级结构定好样本的粗标签和细标签类别。实施例中所构造的sb-MNIST数据集是基于MNIST数据集构建而成,方法是从中随机选取两张图片并通过其中一张图片的数字来构建另一张图片得到Navon图;

(2)构造可跳层双支神经网络

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于复旦大学,未经复旦大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810479296.8/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top