[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

说明书

本发明公开了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，属于图像分类和人工智能技术领域。该方法包括以下具体步骤：S101、构建双向特征融合模块，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网络在经典图像分类数据集上进行特征图训练及测试。本发明利用离散小波变换和逆离散小波变换给出一种新颖的空域特征融合方法，能够有效抑制直接使用池化操作带来的信息损失问题并提高图像的分类精确率。

技术领域

本发明属于图像分类和人工智能技术领域，具体为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。

背景技术

深度卷积神经网络目前已成为图像分类、目标检测和图像恢复等计算机视觉任务和图像处理任务的重要工具之一。池化层是深度卷积神经网络的重要组成部分，它可以增大网络的感受野、降低网络的复杂度，增加网络非线性及提高模型泛化能力。在深度卷积神经网络中，常用的池化方法有最大池化、平均池化、混合池化及随机池化等。其中，经典的最大池化和平均池化，因其设计原理简洁高效而被广泛应用于深度卷积神经网络中。然而这两类池化操作的一个主要局限性是随着图像分辨率的降低导致图像中部分特征信息丢失和弱化。混合池化和随机池化通过利用概率统计的方式建立起最大池化和平均池化之间的联系。尽管混合池化和随机池化继承了平均池化和最大池化的优势，但仍存在信息丢失和弱化问题。深度卷积神经网络在提取特征的过程中池化操作引起的特征信息丢失和弱化将会直接影响网络的表达能力，分类的准确率也同样受到影响。

研究者们针对池化操作的特征信息丢失问题进行了不断的改进。带步长的卷积在不丢弃数据的同时降低特征图的分辨率，但步长卷积使得训练网络的计算量和参数量大幅增加。研究者还观察到，直接进行下采样的池化操作忽略了低频特征和高频特征在空域与通道间的位置分布差异，造成了频域特征间的混叠效应。因此，提出先利用低通滤波去除高频特征再进行下采样，能够有效地避免混叠效应。由于特征图中的高频部分包含了大量的细节信息和边缘信息，将高频特征直接舍弃依然会造成特征信息丢失问题，并影响网络的表达能力。

为了解决上述问题，我们提出了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。

发明内容

针对现有技术的不足，本发明提供了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，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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，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。

进一步优化本技术方案，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。

进一步优化本技术方案，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。

进一步优化本技术方案，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。