[发明专利]一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法

权利要求书

1.一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：包括以下步骤：

1)旋转并得到不同角度的原画：将所有抽象画图像依次旋转四个方向，分别得到四个不同方向的抽象画，将旋转后的所有抽象画图像用RGB彩色模式进行表示；

2)建立FCN-SPP-Focal Net模型：基于全卷积神经网络FCN(Fully ConvolutionalNetworks)、空间金字塔池化层SPP(Spatial Pyramid Pooling)和Focal损失函数建立FCN-SPP-Focal Net模型；

3)图像训练和预测：将步骤1)中得到的图像放入步骤2)建立的FCN-SPP-Focal Net模型中进行训练和预测；

4)图像分类和识别：将步骤3)中得到的图像分为正确方向和不正确方向两类，然后自动识别抽象画图像的正确方向；

5)识别结果的验证：分别采用不同的性能评价指标对比实验模型，对预测结果进行验证。

2.根据权利要求1所述的一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：所述步骤1)中图像的四个旋转方向分别为逆时针旋转0°、90°、180°和270°。

3.根据权利要求1所述的一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：所述步骤2)中建立FCN-SPP-Focal Net模型的具体步骤包括：

2.1)以FCN-SPP-Focal Net以FCN为网络基础框架，选取前5个卷积层，激活函数采用ReLU，卷积层利用滤波器对输入样本进行卷积，得到特征图；

2.2)对步骤2.1)中得到的特征图进行3种不同尺度的池化，取每块的最大值作为池化特征，在第5个卷积层之后有1个金字塔池化层(SPP)，池化层对不同尺寸的特征图进行采样，得到同样长度的池化特征；

2.3)FCN-SPP-Focal Net在SPP层之后连接3个全连接层，用于连接所有神经元；

2.4)在步骤2.3)中的最后一个全连接层之后，采用sigmoid激活函数实现二分类；

2.5)基于FCN、SPP和Focal损失函数建立FCN-SPP-Focal Net模型。

4.根据权利要求3所述的一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：所述步骤2.1)中的5个卷积层分别为：第1个卷积层由96个7×7个卷积核组成，步长为1，padding为‘same’，2×2的最大池化；第2个卷积层由256个5×5个卷积核组，步长为1，padding为‘same’，2×2的最大池化；第3个卷积层由384个3×3的卷积核组成，步长为1，padding为‘same’；第4个卷积层由384个3×3个卷积核组成，步长为1，padding为‘same’，2×2的最大池化；第5个卷积层由256个3×3，步长为1的卷积核组成，padding为‘same’；

所述激活函数ReLU，又称线性整流函数，公式为：

式中：x为函数输入，f(x)为函数输出。

5.根据权利要求3所述的一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：所述步骤2.2)中的3种不同尺度的池化具体指1×1＝1块，2×2＝4块，4×4＝16块，总共21块，所述第5个卷积层有256个卷积核，所述金字塔池化层(SPP)的池化特征维度为21×256＝5376。

6.根据权利要求3所述的一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：所述步骤2.3)中的3个全连接层的维度分别为4096，4096和1024。

7.根据权利要求3所述的一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法，其特征在于：所述步骤2.4)中的sigmoid激活函数公式为：

式中：z为函数输入，g(z)为函数输出，表示为图像属于某个类的概率。