[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

说明书

本发明公开了一种胶囊残差神经网络和基于胶囊残差神经网络的图像分类方法，属于图像处理技术领域，胶囊残差神经网络包括CNN前端和胶囊残差神经网络后端；CNN前端包括第一残差网络和第二残差网络，第一残差网络包括若干基本识别模块和快捷方式的标识块；第二残差网络包括若干基本识别模块；基本识别模块和快捷方式的标识块包括若干卷积层和批标准化层；胶囊残差神经网络后端包括第一胶囊层和第二胶囊层，第一胶囊层输出数据信息到第二胶囊层。本发明能够解决现有技术中卷积神经网络出现的梯度消失问题且不会引入大量参数增加计算难度，进一步提高图像分类精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种胶囊残差神经网络和基于胶囊残差神经网络的图像分类方法。

背景技术

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

而传统的卷积神经网络只能检测图像的重要特征，很难关注组件之间的方向关系和相对空间关系，从而丢失了一些重要信息。那么，如何正确地分类和识别物体、保持物体的各个部分之间详细的分层姿势信息(例如精确的位置、大小和方向等)，成为现今解决各种图像的多重分类的一个关键问题。

胶囊神经网络显示了一种新的有前景的网络结构。然而，缺点是它在多类别任务中，如CIFAR-100数据集，胶囊网络不能实现达到高精度的效果。近年来，另外一种网络-残差神经网络已被广泛用于图像分类中，而传统的卷积神经网络架构CNN会遇到梯度消失问题。因此，一种用于图像分类的可以解决梯度消失的胶囊残差神经网络的发明就显得很有必要。

发明内容

本发明的目的在于克服现有神经网络中出现的梯度消失、图像分类精度不高的问题，提供一种胶囊残差神经网络和基于胶囊残差神经网络的图像分类方法

本发明的目的是通过以下技术方案来实现的：一种胶囊残差神经网络，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；

具体地，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若干基本识别模块和快捷方式的标识块，所述第二残差网络包括若干基本识别模块；所述基本识别模块包括若干卷积层和批标准化层，所述基本识别模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。

具体地，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。

具体地，所述胶囊残差神经网络还包括解码器，所述解码器包括若干反卷积层；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。

具体地，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。

具体地，所述基本识别模块和快捷方式的标识块还包括添加层；所述基本识别模块的第一添加层接收第二批标准化层输出的数据信息；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。

具体地，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。

具体地，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，全连接层用于连接第二胶囊层与Reshape层的每一个神经元，实现图像特征的非线性组合。