[发明专利]一种基于平方平均的池化卷积神经网络图像分类方法

权利要求书

1.一种基于平方平均的池化卷积神经网络图像分类方法，其特征在于，包括以下步骤：

步骤1、将训练集输入到卷积层进行卷积运算，在卷积运算过程中对训练集中的图像进行特征提取，增强原图像信息并降低图像噪声；

步骤2、将卷积层输出的训练集输入到3x3的最大池化层进行处理；

步骤3、将最大池化层输出的训练集输入到密集连接块Dense Block中，在密集连接块Dense Block中采用密集连接的方式处理训练集中的特征图；

步骤4、把密集连接块Dense Block处理后的特征图输入过渡层中进行卷积和平方平均池化运算，通过平方平均池化运算进一步增强特征信号；

步骤5、在通过一系列密集连接块Dense Block和过渡层处理后，在最后的池化层进行7x7的全局平均池化，最终得到多个具有统一输出维度的特征矩阵；

步骤6、把特征矩阵融合为输出特征向量，对输出特征向量进行分类；

步骤7、对网络进行多次训练，调整中间参数，使输入输出的关系更加明显。

2.如权利要求1所述的一种基于平方平均的池化卷积神经网络图像分类方法，其特征在于，步骤1中，所述卷积层采用的卷积公式如式(1)所示：

式(1)中，为第n层的输出特征，x和y分别为输出特征的长度和高度，为第n层的长度为x、高度为y的感受野；为第n-1层的输出特征，其为第n层的输入特征；w_n为权重；b_n为置偏；f为激活函数，如式(2)所示：

3.如权利要求1所述的一种基于平方平均的池化卷积神经网络图像分类方法，其特征在于，步骤3中，所述密集连接块Dense Block使用非线性组合函数H_l(·)，非线性组合函数H_l(·)包含BN、ReLU、3x3卷积，在每个密集连接块Dense Block中在经过各个层的卷积之后均输出k个特征图，即采用k个卷积核，k为增长率。

4.如权利要求1所述的一种基于平方平均的池化卷积神经网络图像分类方法，其特征在于，步骤3中，所述密集连接块Dense Block中的密集连接具体实现为：将第一层收到的前边所有的特征图,作为其输入，然后用式(3)完成密集连接操作：

X_l＝H_l([x₀,x₁,…,x_l-1]) (3)

式(3)中，[x₀,x₁,…,x_l-1]代表对第0层到(l-1)层的特征图进行拼接操作，X_l表示第l层的输入。