[发明专利]一种基于偏微分算子的等变卷积网络模型的图像分类方法

权利要求书

1.一种基于偏微分算子的等变卷积网络模型的图像分类识别方法，其特征在于，针对卷积网络模型的输入层和中间层，基于偏微分算子分别设计输入层的等变卷积和中间层的等变卷积，构建等变卷积网络模型PDO-eConv，并进行模型训练；模型PDO-eConv输入为图像数据，输出为图像的预测分类，从而实现高效地进行图像分类识别视觉分析；包括以下步骤：

1)将图像数据分为训练样本和测试样本；

2)对训练样本进行预处理，进行标准图像增强处理；

3)构建基于偏微分算子的等变卷积网络模型并进行训练：

针对任一卷积网络模型的输入层和中间层，利用偏微分算子分别构建用于输入层和中间层的等变卷积；构建等变卷积和对等变卷积参数初始化包括如下操作：

31)确定等变卷积网络模型的等变群S；等变群包括由旋转、反射、平移三种变换生成的变换群pnm和由旋转、平移两种变换生成的变换群pn；n为旋转变换的个数；

32)构建输入层的等变卷积，用于处理输入图像数据：

定义微分算子族Ψ^(A),A∈S，表示为式1：

其中，A是属于等变群S的正交矩阵；H(·,·)是二元多项式，该二元多项式中各项系数的集合为β，是后续生成的输入层等变卷积中的参数；和表示两个依赖于A的微分算子；

将式1的Ψ^(A)多项式中的所有微分算子离散化，得到新的算子，即得到输入层的等变卷积；

33)构建中间层的等变卷积，用于处理中间层特征图：

定义微分算子族表示为式4：

其中，H_B为多项式；多项式H_B的各项系数的集合为β(B)，是后续生成的中间层等变卷积中的参数；

将式(4)中的微分算子离散化，得到新的算子，即得到中间层的等变卷积；

34)对等变卷积进行初始化：

先采用参数初始化方法初始化上述构建 的输入层等变卷积和中间层等变卷积，得到等变卷积的初始化值；

然后用该初始化值反解出对应的等变卷积参数β或β(B)，作为对应的等变卷积真实的初始化值；

将上述构建并初始化的输入层的等变卷积和中间层的等变卷积作为卷积网络模型中的输入卷积层和中间卷积层，即得到等变卷积网络模型；

35)利用训练样本图像对该等变卷积网络模型进行训练，得到训练好的基于偏微分算子的等变卷积网络模型；

4)利用步骤3)构建并训练好的基于偏微分算子的等变卷积网络模型，对测试图像样本进行识别，得到预测的图像分类标签，由此实现图片分类识别，其中测试样本无需经过图像预处理。

2.如权利要求1所述基于偏微分算子的等变卷积网络模型的图像分类识别方法，其特征是，步骤2)对训练样本进行标准图像增强处理，具体采用标准图像增强技术，包括在图像的每边增加零值像素，再进行随机裁剪；对图像进行随机水平旋转；对图像进行随机中心旋转处理。

3.如权利要求1所述基于偏微分算子的等变卷积网络模型的图像分类识别方法，其特征是，步骤31)确定等变卷积网络模型的等变群：

当考虑旋转、反射、平移变换三种变换时，确定等变群S为pnm；

当仅考虑旋转和平移变换两种变换时，确定等变群S为pn。