[发明专利]基于全分辨率深度卷积神经网络的图像分类方法

摘要

本发明涉及一种基于全分辨率深度卷积神经网络的图像分类方法，包括下列步骤：准备训练图像集合及集合中每幅图像的类别标签；设定全分辨率卷积神经网络的层数；对输入图像先进行跨度卷积，然后将未经跨度卷积计算过的元素由1×1卷积进行计算，从而得到第一个全分辨率特征层，然后依次逐层得到所有全分辨率特征层并构成整体全分辨率神经网络，该网络最后一层称为HHF层；将HHF层划分成若干个区域，然后通过平均池化提取每个区域的特征，将这些区域的特征串联起来构成一个特征向量，将特征向量层和类别向量进行全连接，并对类别向量的每个元素进行Sigmoid运算；设定训练的损失函数；训练。

主权项

1.一种基于全分辨率深度卷积神经网络的图像分类方法，包括下列步骤：步骤1：准备训练图像集合及集合中每幅图像的类别标签。步骤2：设定全分辨率卷积神经网络的层数；步骤3：设定第i层全分辨率卷积的跨度卷积的跨度d_i、核大小m_i×m_i，d_i≥2、m_i≥2，且d_i+1≥d_i、m_i+1≥m_i，由跨度卷积和1×1卷积构成全分辨率卷积；步骤4：对输入图像先进行跨度为d₁、核大小为m₁×m₁的跨度卷积，然后将未经跨度卷积计算过的元素由1×1卷积进行计算，从而得到第一个全分辨率特征层，然后依次逐层得到所有全分辨率特征层并构成整体全分辨率神经网络，该网络最后一层称为HHF层；步骤5：将HHF层划分成若干个区域，然后通过平均池化提取每个区域的特征，将这些区域的特征串联起来构成一个特征向量，将特征向量层和类别向量进行全连接，并对类别向量的每个元素进行Sigmoid运算；步骤6：设定训练的损失函数，该损失函数主要衡量神经网络预测分类标签和图像真实标签之间的差别；步骤7：通过反向传播算法，不断更新网络的权重参数，当迭代次数结束时，所学习的权重参数为最终的网络参数；步骤8：给定待分类的图像，将其输入给全分辨率神经网络,输出的类别向量即是最终分类结果。