[发明专利]胶囊残差神经网络、胶囊残差神经网络的图像分类方法

权利要求书

1.一种基于胶囊残差神经网络的图像分类方法，其特征在于：所述胶囊残差神经网络包括CNN前端和胶囊残差神经网络后端，所述CNN前端输出数据信息至所述胶囊残差神经网络后端；

所述CNN前端包括第一残差网络和第二残差网络，所述第一残差网络输出数据信息至所述第二残差网络；所述第一残差网络包括顺序连接且结构相同的第一残差网络A和第一残差网络B，第一残差网络A和第一残差网络B均包括顺序连接的三个基本标识块和一个快捷方式的标识块，所述第二残差网络包括顺序连接的五个基本标识块；所述基本标识块包括若干卷积层和批标准化层，所述基本标识块接收到的数据信息经第一卷积层、第一批标准化层、第二卷积层输入到第二批标准化层；所述快捷方式的标识块包括若干卷积层和批标准化层；所述快捷方式的标识块接收到的数据信息输出至两部分，其中一部分经第三卷积层、第三批标准化层、第四卷积层输入到第四批标准化层，另一部分经第五卷积层输入到第五批标准化层；

所述基本标识块和快捷方式的标识块还包括添加层；所述基本标识块的第一添加层的输入端与第二批标准化层的输出端、基本标识块的输入端连接；所述快捷方式的标识块的第二添加层接收第四批标准化层和第五批标准化层输出的数据信息；

所述胶囊残差神经网络后端包括第一胶囊层和第二胶囊层，所述第一胶囊层输出数据信息到所述第二胶囊层；

所述胶囊残差神经网络还包括解码器，所述解码器包括顺序连接的四个反卷积层；所述解码器接收所述胶囊残差神经网络后端输出的数据信息；

基于胶囊残差神经网络进行图像分类时，分类方法包括以下步骤：

CNN前端的第一残差网络与第二残差网络对输入的图像进行训练，学习不同层之间的图像残差信息，将输入的图像转换为特征图像输出至胶囊残差神经网络后端；

胶囊残差神经网络后端的第一胶囊层接收CNN前端输出的特征图像信息生成图像特征组合转换为一组胶囊输出至第二胶囊层，所述第二胶囊层检测图像特征组合的姿态参数估计该图像属于每个类别的概率；

第一胶囊层(x)称为子胶囊层，第二层是父胶囊层(y)，它们之间的路由方法为：

在式(6)中，x_i表示子胶囊层中的第i个胶囊，y_j是父胶囊层的第j个胶囊；w_ij表示两个胶囊层之间的姿势变换矩阵；u_ij是x_i根据y_j姿势变换的向量，p_ij表示通过动态路由的多次迭代获得的x_i和y_j之间的耦合系数；其中，动态路由是根据从每个u_i到均值中心的距离来调整系数，它越接近中心，所获得的系数(p_ij)越高；

通过线性函数将父胶囊层中的胶囊长度减小到0-1，表示为：

在式(7)中，公式的表示输入属于第j类的概率。

2.根据权利要求1所述的基于胶囊残差神经网络的图像分类方法，其特征在于：所述胶囊残差神经网络后端的第一胶囊层经第六卷积层接收CNN前端输出的数据信息。

3.根据权利要求1所述的基于胶囊残差神经网络的图像分类方法，其特征在于：所述胶囊残差神经网络后端的第一胶囊层包括若干组神经元组成的胶囊，用于接收CNN前端输出的特征图像生成图像特征组合；

第二胶囊层包括若干组神经元组成的胶囊，用于检测图像特征组合的姿态参数估计该图像属于每个类别的概率。

4.根据权利要求1所述的基于胶囊残差神经网络的图像分类方法，其特征在于：所述解码器还包括全连接层，所述全连接层接收胶囊残差神经网络后端的第二胶囊层输出的数据信息。

5.根据权利要求1所述的基于胶囊残差神经网络的图像分类方法，其特征在于：所述解码器还包括Reshape层，所述Reshape层接收全连接层输出的一维图像数据并将该一维图像数据重塑为二维图像。

6.一种存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行权利要求1所述基于胶囊残差神经网络的图像分类方法的步骤。

7.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1所述基于胶囊残差神经网络的图像分类方法的步骤。