[发明专利]一种卷积神经单元块、构成的神经网络及图像分类方法

说明书

本发明公开了一种卷积神经单元块、构成的神经网络及图像分类方法，卷积神经单元块，包括n个不同方向的卷积核和一个m×m的卷积核堆叠后连接a个1×1的卷积核构成；还包括恒等变换的跳跃连接，其中a与输入特征图的通道数相等；本发明将卷积核进行分解，在保证卷积核拥有大感受野的同时，减小原先的参数数量；提出采用对角卷积，直接获取原特征图斜对角的方向的相关性，对空间变换的适应能力增强。

技术领域

本发明涉及神经网络的构建及应用技术领域，具体涉及一种卷积神经单元块、构成的神经网络及图像分类方法。

背景技术

现有的计算机视觉领域，卷积神经网络是常用的工具；卷积神经网络一般由连续的卷积层、激活层和池化层堆叠而成；卷积层由多个卷积神经单元组成，接受上一层的输入特征，运用该层的卷积神经单元进行计算，并输出通道数等于该层卷积神经单元数量的特征图。激活层由线性修正单元构成；一般一个激活层里面只包含一个线性修正单元，对上一层输出的特征图进行非线性映射；一个池化层同样是对上一层输出的特征图进行池化映射。

现有的神经网络一般包含两种，第一种resnet网络，Resnet是2016年提出的一种网络框架，它在原本直接堆叠的卷积层之间，加入了跳跃连接的identity mapping(恒等映射)，使得网络本身只需要拟合原本网络的残差；在此之前，网络是通过堆叠卷积层、激活层和池化层来实现非线性变换。第二种是inception第三个版本结构，在inception v3结构中，有一部分结构将3×3的卷积核分解成连续的3×1的卷积核与1×3的卷积核叠加。这部分结构与本发明结构类似。

但是现有的卷积神经网络中，由于网络的层数很多，模型参数都是十分巨大，为了减少网络的参数，卷积神经网络主要采用3×3和1×1的卷积核；这使得卷积层的直接感受野很小；如果采用大感受野的卷积核，又会导致参数量的增加，从而导致计算量大、对空间不变形的适应能力差。

发明内容

本发明提供一种可以减少参数数量的卷积神经单元块、构成的神经网络及图像分类方法。

本发明采用的技术方案是：一种卷积神经单元块，包括n个不同方向的卷积核和一个m×m的卷积核堆叠后连接a个1×1的卷积核构成；还包括恒等变换的跳跃连接，其中a与输入特征图的通道数相等。

进一步的，所述不同方向的卷积核包括一个左斜卷积核b×1和一个右斜卷积核1×b；左斜卷积核为b×b卷积核除了左斜对角之外的所有位置全部保持为0；右斜卷积核为b×b卷积核除了右斜对角之外的所有位置全部保持为0。

进一步的，所述n个不同方向的卷积核中，每个方向均包括两个垂直方向的方向卷积的堆叠。

一种采用卷积神经单元块的神经网络，包括依次连接的m×m的卷积核、c个卷积神经单元块、步长为d的卷积核、e个卷积神经单元块、步长为d的残差块、e个卷积神经单元块、步长为f感受野为f×f的池化层、全连接层。

一种采用神经网络的图像分类方法，包括以下步骤：

步骤1：构建神经网络；

步骤2：训练步骤1构建得到的神经网络；

步骤3：对测试集图片进行数据增强处理，将其输入步骤2训练后得到的神经网络中，即可完成图像的分类。

本发明的有益效果是：

(1)本发明将卷积核进行分解，在保证卷积核拥有大感受野的同时，减小原先的参数数量；

(2)本发明提出采用对角卷积，直接获取原特征图斜对角的方向的相关性，对空间变换的适应能力增强；