[发明专利]一种基于塑性卷积神经网络的可扩展类别的图像识别方法

说明书

本发明属于图像识别领域，公开了一种基于塑性卷积神经网络的可扩展类别的图像识别方法。本发明通过构造一个具有元学习的能力的卷积塑性神经网络，并针对应用所需，管理、建立相应的待识别类别库，结合塑性神经网络，利用待识别库作数据支撑，使用循环判定的方法，对输入图片进行识别并返回识别结果。本发明解决了传统的目标识别方法的可识别类别的扩展性的问题，其优势在于当有未知类别需要识别时，只需要将该未知类别的一张或几张图片样本存储至待识别类别库中，而无需重新训练神经网络或调整识别算法，且对于样本的需求量要小于传统方法。

技术领域

本发明属于图像识别领域，涉及目标图像识别的计算方法，尤其是卷积神经网络与塑性神经网络相结合的具有元学习能力的目标识别方法，并利用该方法实现可扩展类别的图像识别。

背景技术

图像识别技术和方法是当今时代信息化产业下的产物，同时也是计算机视觉和数字图像处理研究领域下的一个非常热门的研究方向，图像识别技术在当今世界的军事、医疗、民用领域都有着非常广泛的应用，在机器人导航系统中、无人驾驶技术、智能视频的监控、工业产品检测与生产过程监控、航空航天等诸多领域内，图像识别技术都是不可缺少的。因此，图像识别也成为当今世界理论上和应用上的研究热点，同时它也是图像处理和计算机视觉学科的重要分支。总的来说，其目的是为了让计算机代替人类去处理大量的物理信息，特别是来自图片的信息。同时，随着神经网络算法的兴起和高速发展，使用各种神经网络方法进行图片识别已经成为了一种主流而有效的研究手段。近年来，在目前的公开测试结果中几乎所有的最佳识别效果均是由各种神经网络结构实现的，该方法已经成为了图片识别的重要手段。

当前进行图片识别的神经网络架构基本都采用了基于卷积神经网络原理的计算方法，包括大量的商业化的ORC识别技术、人脸识别技术、物体识别技术等。基于卷积神经网络的各种变种架构在识别原理上与卷积神经网络学习的过程一致，即先学习后判断。基于卷积神经网络的图像识别方法在学习环节中，其本质上都是利用链式求导计算损失函数对每个权重的偏导数(梯度)，然后根据梯度下降公式更新权重，即网络中的各个参数。通常这一过程中需要输入大量的相关图片数据用于对具体的类别进行学习，即通过预定义的图片训练数据库进行训练学习，利用习得的所有类别的特征进行图像识别。因此，如果要学习分辨几种类别的图像则必须获取这几种类别的大量样本图片进行学习，在学习完成之后，可以利用学得的神经网络对这几种类别进行识别。该类方法的局限性就在于，如果需要使用该类算法来识别某一种类别的图片，需要先获取大量的该类别的样本图片进行训练，同时，训练结束之后神经网络参数便固定下来了，因此该算法只能识别参与训练了的固定的那几个类别。

因此，针对具有广泛应用背景的基于神经网络的图片识别方法，如何结合这类计算过程的特点设计新的网络结构和方法，使得网络具有可扩展类别的识别能力，并且只需要待识别类别的少量样本，已成为该领域亟需解决的关键问题。

发明内容

本发明要解决的技术问题是：针对神经网络方法进行图片识别需要先获取大量的该类别的样本图片以进行训练，且算法只能识别参与训练的固定的几个类别的问题，本发明提供一种基于塑性卷积神经网络的可扩展类别的图像识别方法，本方法采用塑性网络和卷积神经网络相结合的结构及循环判定相结合的方式，可以在只有少量样本的情况下，对多个不固定的类别进行图片识别。本发明的技术方案是：

一种基于塑性卷积神经网络的可扩展类别的图像识别方法，包括以下步骤：

第一步，基于卷积神经网络和塑性神经网络，构造一个具有元学习能力的卷积塑性神经网络，其中，卷积塑性神经网络由11层结构组成，最前和最后分别为输入层和输出层，第2-9层为卷积池化层交替结构组成，第10层为由塑性网络层构造的classification层；卷积塑性神经网络通过对图片数据的学习能够学会如何学习(由塑性网络层赋予的能力)，从而通过一个类别的1张或几张图片就能习得该类别的特征，实现从几个类别中找到与待识别图片最相似的类别；其包含以下两个步骤：

(1.1)建立一个塑性神经网络用于数据计算；