[发明专利]基于Capsule网络和迁移学习的甲骨文构件识别系统

说明书

本发明涉及基于Capsule网络和迁移学习的甲骨文构件识别系统。Capsule网络将激活向量视作逻辑单元，其长度表示特定实体出现的概率，以判断图像中实例化实体的存在与否。为此，Capsule网络需要使用一种新型的非线性激活函数：将较短和较长的激活向量的长度分别缩放至0和1附近，并将向量长度控制在0和1之间。通过Squashing激活函数，Capsule实现了用激活向量的模长来表示实体出现的概率；本案通过数据增强（Data Augmentation）方法，对原始图片进行旋转、平移、反转、放缩等随机干扰，生成新的样本，从而扩充原始数据集。将扩充后的数据集样本进行归一化处理，放缩至(0,1)区间，并按照4:1的比例进行训练集‑测试集拆分，同时对样本标签进行独热编码。

技术领域

本发明涉及基于Capsule网络和迁移学习的甲骨文构件识别系统。

背景技术

甲骨文作为汉字鼻祖，记录了商朝的经济和政治情况。其不仅是一种文化的符号、文明的标志，还复原了殷商历史的框架，将我国信史时代向前推进了近五个世纪。自1899年甲骨文出土后，经过“甲骨四堂”、胡厚宣等学者在100多年里承前启后孜孜不倦的研究，对甲骨文的综述、整理、考释等工作已有极大进展，甲骨文已逐渐渗透到历史学、艺术史、科技史等多个相关学科领域，其传承具有重大文化及学术意义。

甲骨文构件（部首）是甲骨文字系统的最底层最基础组成部分，同时甲骨文构件也是出现最早的一批甲骨文，他们精确反映出整个系统的性质、特点。目前，已识别的甲骨文字形有2400余个，未识别的有2500余个，对于破译未识别字形的工作来说，甲骨文构件的识别具有重大意义。许多学者从甲骨文构件的角度出发，以加快未知字形的解读工作，如李东琦、刘永革实现了一个基于甲骨文构件的编码器，将这个古老的文字进行数字化；高峰、吴琴霞等人通过建立甲骨文语义构件向量，结合Hopfield网络的识别结果的方法来匹配甲骨拓片或者照片中的模糊字；安阳师范学院通过仿射变换复用构件生成甲骨文字形，为以后的语义构件统计打下了基础。然而，通过构件研究甲骨文，首先需要专家进行构件标注，不仅需要相关专业知识，还要耗费大量的时间、人力和精力。针对上述问题，本案提出了一种新的通过机器识别甲骨文构件的方法，鉴于目前并没有公开的较为完整的数字化甲骨文字形集，为了便于后续研究，本案通过对经典书籍《甲骨文字编》中扫描的甲骨文字形进行预处理、标记，建立了两个类似于MINSIT数据集的已标记甲骨文数据集。这两个数据集不仅限于用于图像分类识别任务，还可以应用于其他甲骨文领域的研究中，如甲骨文字形破译等。本案希望通过这个数据集简化研究人员对于甲骨文数据收集、处理、筛选的时间，更多专注于研究本身。

发明内容

本发明的目的是提供基于Capsule网络和迁移学习的甲骨文构件识别系统。

本发明解决其上述的技术问题所采用以下的技术方案：apsule网络提供了一种基于聚类思想来代替池化完成特征整合的全新方案， Capsule本身也可以通过动态路由算法带来类似于池化的不变性。其优势在于，相对于传统的池化算法，Capsule保留了全部的图像特征，其表达能力也更强；

Capsule网络将激活向量视作逻辑单元，其长度表示特定实体出现的概率，以判断图像中实例化实体的存在与否。为此， Capsule网络需要使用一种新型的非线性激活函数：将较短和较长的激活向量的长度分别缩放至0和1附近，并将向量长度控制在0和1之间。通过Squashing激活函数，Capsule实现了用激活向量的模长来表示实体出现的概率；

Capsule网络通过动态路由算法来实现对更高层级的Capsule实体（或属性）的聚类，并将子Capsule输出向量中包含的特征信息传送到合适的父类Capsule中。在全连接形式的Capsule网络中，对于除了第一层Capsule之外的所有层级，每层Capsule的输出在传入下一层Capsule之前，都需要乘以一个权值矩阵W_ij进行变换：