[发明专利]一种双线性金字塔网络花卉图像分类方法在审

专利信息
申请号: 202110450853.5 申请日: 2021-04-26
公开(公告)号: CN113191414A 公开(公告)日: 2021-07-30
发明(设计)人: 庞程;卞小曼;蓝如师;王文颢;刘振丙;罗笑南 申请(专利权)人: 桂林电子科技大学
主分类号: G06K9/62 分类号: G06K9/62;G06K9/46;G06N3/04;G06N3/08
代理公司: 桂林市华杰专利商标事务所有限责任公司 45112 代理人: 童世锋
地址: 541004 广*** 国省代码: 广西;45
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 双线 金字塔 网络 花卉 图像 分类 方法
【权利要求书】:

1.一种双线性金字塔网络花卉图像分类方法,其特征在于,包括如下步骤:

1)将需要分类的花卉原始图像的大小调整至224*224,并随机裁剪为192*192;

2)将步骤1)调整后的图像通过双线性金字塔网络对花卉图像进行特征提取;

3)将步骤2)提取得到的特征输入分类器中进行分类后输出,得到花卉的分类结果。

2.根据权利要求1所述的一种双线性金字塔网络花卉图像分类方法,其特征在于,步骤2)中,所述的特征提取,包括如下步骤:

2-1)将步骤1)调整后的图像通过特征提取器VGG-16提取图像特征图;

2-2)对步骤2-1)得到的图像特征图通过双线性特征金字塔进行再加工,训练得到最终的分类向量;

所述的特征提取器VGG-16,是采用VGG-16中conv5_1之前的配置。

所述的双线性特征金字塔,是采用VGG-16中最后三个卷积层作为双线性池化的特征金字塔。

3.根据权利要求2所述的一种双线性金字塔网络花卉图像分类方法,其特征在于,所述的特征再加工过程即训练过程,是采用标准随机梯度下降(SGD),学习率为0.01,当达到最大迭代100000时终止;

所述的再加工,包括如下步骤:

2-2-1)在特征提取器VGG-16的最后三个卷积层conv5_1、conv5_2、conv5_3中引入上行采样层和双线性池化层,得到它们特征的双线性积,具体是:

将第k个卷积层的特征与第k-1个卷积层的特征融合,即令x=[x1,x2,...,xc]T表示在第k个卷积层的特征映射的空间位置上有c个通道的特征,则双线性模型为:

bi=xtMix (1)

其中bi是指定位置i的双线性模型的输出,M=[M1,M2,…,Mi,..,Mj]∈Rc×c×j是一组用于投影的可学习的矩阵,以将投影矩阵Mi进一步分解为两个低秩向量Di和从而利用向量对公式(1)进行更新,并重写为指定所有位置的双线性模型的输出为:

b=Ct(Dtx*Qtx) (2)

其中C表示分类矩阵,D和Q是由低秩向量组成的两个投影矩阵,*是Hadamard乘积,合并两个相邻层的特征后得:

b=Ct(DtS(x)*Qty) (3)

其中S(x)表示x的上采样特征,而y是来自相邻卷积层的特征;

令B(·)表示网络中两个相邻层之间的特征之间的上述双线性池化操作,xb表示基本特征提取器产生的特征,则基本特征提取模块之后的第i个卷积层的双线性描述符xi通过以下方式获得:

xi=B(Hi(xb)) (4)

H1(·)=F(·) (5)

Hi(·)=F(Hi-1(·) (6)

其中F(·)是网络中的卷积运算,而Hi(·)是i个卷积的组合;

2-2-2)将双线性积先送入到全连接层fc_7得到的结果输入到全连接层fc_8得到最终的分类向量;其中fc_8是预定义的VGG-16层,并新添加了fc_7以增强网络的非线性特性。

4.根据权利要求1所述的一种双线性金字塔网络花卉图像分类方法,其特征在于,步骤3)中,所述的输出,输出层选用激活函数softmax作为分类器。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于桂林电子科技大学,未经桂林电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110450853.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top