[发明专利]一种基于残差网络与特征差拟合的异纤分类方法

权利要求书

1.一种基于残差网络与特征差拟合的异纤分类方法，其特征在于，包括如下步骤：

S1、设计异纤分类基础网络CottonNet，用于在图像特征上对异纤和棉花进行分类识别；

所述CottonNet包含6个卷积层，其参数使用塔式结构，所述CottonNet前面两层主要用于底层特征的提取，再使用四层卷积层提取图像的高层特征，其最后的卷积层没有进行池化，在每个所述卷积层的输出部分都增加非线性激活函数LeakyReLU；

所述CottonNet的分类模型使用Softmax作为分类器，假设输入样本为I，输入样本为图像或向量，经过卷积神经网络操作，得到输出向量为f＝[a₁，a₂，...，a_N]，属于指定类别k的概率为：

S2、在S1中的CottonNet基础上引入残差网络，并定义残差模块，得到改进后的网络结构CottonNet-Res，所述CottonNet-Res采用后四层卷积层增强高层特征提取能力，提高异纤分类准确率；

所述残差模块将模块输入特征与最终的输出特征级联，其中选择两层卷积作为基础残差模块，两层卷积分别定义为Layer1与Layer2，输入特征经过两层处理后的输出分别为ω₁与ω₂，输出的特征为ω₀＝ω₁+ω₂；

S3、针对复杂环境下的异纤分类，在S2中CottonNet-Res的基础上，通过特征差拟合得到改进算法CottonNet-Fusion；

所述CottonNet-Fusion将复杂环境下的样本设计额外的网络分支训练，在训练过程中与正常图片训练分支进行特征融合，在输出阶段，计算主网络与分支网络特征输出均方误差，作为特征差来拟合两分支输出特征向量，通过一个卷积层对两分支的输出进行特征融合，最终的分类结果使用正常样本的标签，即整体网络使用了特征差与分类损失来约束训练，实现复杂环境下分类准确率的提升；

所述CottonNet-Res中，假定无残差模块的级联分支，正常单层网络的输出可以表示为式(2-2)：

其中，H是单层网络的卷积相关运算，g代表单层的输出激活函数，卷积神经网络由式(2-2)组成，通过增加式(2-2)可得到更多关于图像的特征算子，即加深神经网络；网络的参数训练是通过基于梯度的反向传播算法优化，具体训练过程如下：当前层使用前向传播输入信号，然后反向传播误差并使用函数求导方法得到梯度，进而更新当前层参数，当前层l的参数更新需要计算损失∈的导数，定义误差项为：

按照反向传播的链式法则，δ_l依赖于下一层的误差项δ_l+1，修改(2-3)为：

定义传播梯度：

当γ_l＜1时，第l层的误差项与l+1层相比减小，在反向传播算法下，梯度逐渐减小，参数也不再更新，即梯度消失现象；当γ_l＞1时，梯度逐渐增大，即梯度爆炸现象；在网络加深过程中，γ_l的值存在不确定性，针对这种问题，提出残差网络；残差网络在基础网络中构造残差分支，以跳层连接的形式，直接级联输入与输出特征，残差网络模块的输出为式(2-6)：

z_l＝H(a_l-1)＝a_l-1+F(a_l-1) (2-6)

其中F(a_l-1)为残差函数，输入的特征a_l-1可以从任意网络低层直接传播到高层。

2.根据权利要求1所述的一种基于残差网络与特征差拟合的异纤分类方法，其特征在于，所述CottonNet-Fusion的网络输入是图片对，由正常环境下的样本与复杂环境下样本组成，假定输入的图像对为(s,c)，其中s为正常样本，c为复杂样本图像，由s通过一系列随机的图像模糊，图像噪声扰动方法生成，两组网络学习的特征输出向量为(f_s，f_c)，计算两者的均方误差损失方法为式(2-7)：

最后的损失函数定义为式(2-8)及(2-9)：

其中α与β为两类标签的权重。