[发明专利]基于离散小波变换的双向特征融合深度卷积神经网络构建方法

权利要求书

1.一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，包括以下具体步骤：

S101、构建基于离散小波变换及逆离散小波变换的双向特征融合模块，所述双向特征融合模块由空域特征融合模块，池化操作以及通道域特征融合模块构成；

S102、将双向特征融合模块嵌入到主流网络架构中替换原始池化方法；

S103、利用嵌入到主流网络架构中的双向特征融合模块的深度卷积神经网络在经典图像分类数据集上进行特征图训练及测试；

所述特征图经过双向特征融合模块，即依次经过空域特征融合模块，池化操作、通道域特征融合模块，因此，双向特征融合模块归结为：

给定一个特征图x作为输入，依次经过空间特征融合模块f_s，池化操作Pooling和通道域特征融合模块f_c，x'表示特征图经过双向特征融合模块后得到的结果。

2.根据权利要求1所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述空域特征融合模块在实现空域特征间的融合时包括以下步骤：

S201、利用离散小波变换分解输入特征，得到低频特征、水平方向的高频特征、垂直方向的高频特征以及对角方向的高频特征；

S202、利用逆离散小波变换分组重构，得到与原始特征空域维度相同的四类特征，以实现空域特征间的融合。

3.根据权利要求2所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述分组重构是指对低频特征单频重构，低频和水平方向高频进行重构，低频和垂直方向高频进行重构及低频和对角方向高频进行重构。

4.根据权利要求2所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述空域特征融合模块得到的四组特征为空域特征且分布特征近似，对损失函数影响相当，同时对于从空域获取到的四组融合特征，分别对其进行池化。

5.根据权利要求2所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述空域特征融合模块，利用离散小波变换与逆离散小波变换进行空域特征融合的过程中，不增加任何参数。

6.根据权利要求1所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述通道域特征融合模块，将池化后的多组特征进行通道维度的拼接，再利用1x1卷积进行降维，以实现信息交互，使得不同频段信息进行通道域的相互补充与传递。

7.根据权利要求1所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述双向特征融合模块封装为独立模块用于替换深度卷积神经网络中的池化操作。

8.根据权利要求1所述的一种基于离散小波变换的双向特征融合深度卷积神经网络构建方法，其特征在于，所述的利用嵌入到主流网络架构中的双向特征融合模块的深度卷积神经网络在公开图像分类数据上进行训练并测试，用于实现提升模型的分类精度。