[发明专利]用于卷积神经网络的滤波器裁剪方法及贝类自动分类系统

说明书

本发明公开了一种用于卷积神经网络的滤波器裁剪方法，通过对过滤器进行重要度计算和排序，裁剪掉重要度较低的过滤器，然后计算层中各过滤器之间的正交性度量，选择正交性相对小的相关过滤器，裁剪掉其中重要度排名较低的过滤器，并重新初始化裁剪后的过滤器。由此，本发明的滤波器裁剪方法抑制特征之间的相关性，更关注正交特征，捕获激活空间中的不同方向，提升分类模型的泛化能力。本发明还公开了一种贝类自动分类系统，特别是针对高相似度贝类识别难的问题，提高高相似度贝类的自动分类的准确性。

技术领域

本发明涉及机器学习领域，尤其涉及用于卷积神经网络的滤波器裁剪方法及贝类自动分类系统。

背景技术

生物分类学中的分类遵循分类学原理和方法，对生物的各种类群进行界、门、纲、目、科、属、种的等级划分。实际应用中，属于同一科的贝类图片特征具有高相似度且各类样本不均衡，对贝类分类研究提出了更高的要求。目前卷积神经网络(CNN)在物体种类识别方面有广泛的应用，而直接应用到同一科的贝类分类时，由于同科贝类特征相似，以及不同贝类样本分布不平衡和样本分类难度不平衡问题，CNN识别准确率较低，识别效果较差。

发明内容

本发明所要解决的技术问题是：提供一种用于卷积神经网络的滤波器裁剪方法。

为解决上述技术问题，本发明所采用的技术方案是：

一种高相似度同科贝类自动分类方法，包括以下步骤：

S1、计算卷积神经网络的初始过滤器W_l,j的重要度H(W_l，j)，进行排序，其中W_l,j为第l卷积层中第j个过滤器的权重；

S2、对重要度H(W_l，j)按照大小进行排序；

S3、裁剪掉重要度相对低的s％的过滤器；

S4、计算同一层中各过滤器之间的正交性度量；

S5、根据各过滤器间的正交性度量，选取正交性相对小的r％的相关过滤器，并裁剪掉其中重要度排名较低的过滤器；

S6、重新初始化裁剪后剩余的过滤器。

与现有技术相比，本发明具有如下技术效果：

本方法抑制了特征之间的相关性，更关注正交特征，捕获激活空间中的不同方向，提升分类模型的泛化能力，分类准确度得到提升。

在上述技术方案的基础上，本发明还可以做如下改进。

优选地，所述初始过滤器W_l,j的重要程度H(W_l，j)，首先将W_l,j的值离散化，划分至C个不同的容器，计算每个容器的概率p_t，所述重要程度H(W_l，j)按照如下公式计算：

式中p_t是第t个容器的概率。

采用上述进一步方案的有益效果是，这种以输出熵的评价标准衡量过滤器的信息重要性的方法，相比于过滤器范数和参数稀疏度等评价标准，本方法更为准确，且得到的评价指数更有区分性。

优选地，所述步骤S4，计算各过滤器之间的正交性度量，步骤如下：

S4-1、将表征滤波器的多维向量展开为k×k×c的1维向量f；其中k为滤波器的大小，c为滤波器的通道数；

S4-2、将层中所有的J_l个f组合为矩阵W_l，每个f占据一行；

S4-3、将矩阵W_l做归一化处理得到