[发明专利]一种改进重构网络的胶囊网络图像分类识别方法

说明书

本发明公开一种改进重构网络的胶囊网络图像分类识别方法：S1，构建胶囊网络；S2，输入图像训练集合至所述胶囊网络，所述胶囊网络经训练学习后完成图像分类识别校准；S3，输入待分类图像至所述胶囊网络，所述工作网络的输出向量v_j中数值最大的一个即为得到的识别结果；S4，所述胶囊网络输出所述待分类图像的识别结果；其中胶囊网络的重构网络结构为反卷积操作。有益效果：提出了一种新的重构网络结构，通过反卷积操作把向量还原为图像，对比还原的图像和原始图像的误差来调节网络参数，减小了计算参数量，为硬件设备空出了更多运行内存。

技术领域

本发明涉及胶囊网络在图像分类中的应用，具体的说，涉及一种改进重构网络的胶囊网络图像分类识别方法。

背景技术

近年来，卷积神经网络在图像识别、目标检测、语义分割等方向取得了快速的发展，卷积神经网络通常由卷积层、激活层、池化层和全连接层组成，池化层是卷积神经网络中重要的组成部分，典型的为最大池化和平均池化操作，池化层能够减小输入特征图的尺寸，降低模型的计算量，但是池化层也存在位置信息丢失的问题。

针对卷积神经网络中池化层存在位置信息丢失的问题，2017年Hinton提出了胶囊网络(capsnet)，胶囊网络采用向量作为输入输出，并采用了动态路由机制进行参数更新，能够提取到位置信息，相对卷积神经网络能够提取到更加准确的特征信息，有望取代现阶段的卷积神经网络结构。

然而，现有的胶囊网络设计在图像处理问题上还存在参数量大的缺点，模型占用内存大，运行硬件同时处理的数据量少。

发明内容

为了解决胶囊网络参数量大的问题，本发明针对现有胶囊网络提出了一种新的重构网络结构，通过反卷积操作把向量还原为图像，对比还原的图像和原始图像的误差来调节网络参数，从而提供一种改进重构网络的胶囊网络图像分类识别方法，减小了计算参数量，为硬件设备空出了更多运行内存。

为达到上述目的，本发明采用的具体技术方案如下：

一种改进重构网络的胶囊网络图像分类识别方法：

S1，构建胶囊网络，所述胶囊网络设置有工作网络与校对网络，所述工作网络用于输入图像并输出该图像的识别结果，所述校对网络用于训练调节工作网络参数；

所述工作网络包括卷积结构和全连接结构，所述卷积结构的卷积输出端连接全连接结构的全连接输入端，所述卷积结构为依次连接的卷积层和PrimaryCaps层，所述全连接结构为依次进行权重计算、动态路由调节、激活函数运算的网络结构；

所述校对网络包括并行的margin loss运算结构和重构网络结构，所述marginloss运算结构的损失输入端连接所述全连接结构的全连接输出端，所述重构网络结构的重构输入端分别连接所述全连接结构的全连接输出端和输入图像的向量层，所述margin loss运算结构的损失输出端与所述重构网络结构的重构输出端分别连接Loss层的损失函数输入端，所述Loss层的损失函数输出端连接优化函数计算层；

所述重构网络结构包括依次连接的Reshape层、反卷积结构、Flatten层、和方差计算层，所述和方差计算层的方差输入端分别连接Flatten层和输入图像的向量层，所述和方差计算层的方差输出端连接Loss层的损失函数输入端；

S2，输入图像训练集合至所述胶囊网络，所述胶囊网络经训练学习后完成图像分类识别校准；

S3，输入待分类图像至所述胶囊网络，所述工作网络的输出向量v_j中数值最大的一个即为得到的识别结果；

S4，所述胶囊网络输出所述待分类图像的识别结果。