[发明专利]卷积神经网络适用于识别多种尺寸图片的方法

权利要求书

1.一种卷积神经网络适用于识别多种尺寸图片的方法，其特征在于，包括以下步骤：

步骤1：已知一种用于识别w*h尺寸样本的可训练的卷积神经网络模型架构；其中，将w*h尺寸样本记为样本C1，w为样本C1的长度；h为样本C1的宽度；已知可训练的卷积神经网络模型架构的模型架构参数均已知，特别包括以下模型架构参数：在输入层之后的第1个卷积层中，包括的特征图数量为n，第1卷积层所采用的卷积核尺寸为m*m；其中，n和m均为自然数；

步骤2：设待分类识别的样本的原始尺寸为W*H；其中，W为待分类识别样本的原始长度；H为待分类识别样本的原始宽度；

对待分类识别样本的长和宽分别进行缩放处理，以损失最小像素为代价，将待分类识别样本的原始长度缩放到样本C1长度的整数倍，将待分类识别样本的原始宽度缩放到样本C1宽度的整数倍，将缩放后得到的样本记为样本C2；设样本C2的长度为样本C1长度的x倍；设样本C2的宽度为样本C1宽度的y倍；其中，x和y均为整数；

步骤3，对样本C2进行图片分割处理，将其分割为x*y个子图，每个子图的长为w，宽为h；

步骤4，将x*y个子图依次记为子图D1、子图D2…子图Dx*y；

对于子图D1，分别采用n个尺寸为m*m的卷积核进行特征图映射，得到n个特征图，依次记为：a11、a12…、a1n；

对于子图D2，分别采用n个尺寸为m*m的卷积核进行特征图映射，得到n个特征图，依次记为：a21、a22…、a2n；

依此类推

直到对于子图Dx*y，分别采用n个尺寸为m*m的卷积核进行特征图映射，得到n个特征图，依次记为：a(x*y)1、a(x*y)2…、a(x*y)n；

然后，合并特征图a11、a21…a(x*y)1，将合并得到的特征图记为特征图E1；

合并特征图a12、a22…a(x*y)2，将合并得到的特征图记为特征图E2；

依此类推

直到合并特征图a1n、a2n…a(x*y)n，将合并得到的特征图记为特征图En；

至此，得到n个特征图，分别为特征图E1、特征图E2…特征图En；

此时可以看到，所得到的特征图E1、特征图E2…特征图En的尺寸与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图尺寸相等；所得到的特征图E1、特征图E2…特征图En的数量与已知可训练的卷积神经网络模型架构的第1个卷积层的特征图数量相等；

步骤5，构建新的卷积神经网络模型架构，其中，所述新的卷积神经网络模型架构的第1层为输入层，用于输入尺寸为W*H的待分类识别的样本；

新的卷积神经网络模型架构的第2层为图片分割层，为步骤3划分得到的x*y个长宽为w和h的子图，即：子图D1、子图D2…子图Dx*y；

新的卷积神经网络模型架构的第3层为第1卷积层，为步骤4计算合并到的n个特征图，即：特征图E1、特征图E2…特征图En；

此外，子图D1、子图D2…子图Dx*y分别与特征图E1、特征图E2…特征图En建立全连接；

新的卷积神经网络模型架构的第4层为已知可训练的卷积神经网络模型架构的第2层；

新的卷积神经网络模型架构的第5层为已知可训练的卷积神经网络模型架构的第3层；

依此类推，已知可训练的卷积神经网络模型架构的后续模型架构参数对应增加到新的卷积神经网络模型架构的对应层，直到将已知可训练的卷积神经网络模型架构的输出层增加到新的卷积神经网络模型架构的输出层为止；

由此构建得到新的卷积神经网络模型架构，该构建新的卷积神经网络模型架构对于尺寸为W*H的样本必然是可训练和可收敛的。

2.根据权利要求1所述的卷积神经网络适用于识别多种尺寸图片的方法，其特征在于，步骤2中，以损失最小像素为代价，将待分类识别样本的原始长度缩放到样本C1长度的整数倍，即x倍；将待分类识别样本的原始宽度缩放到样本C1宽度的整数倍，即y倍，具体为：

x值为：W除以w的整数商；y值为：H除以h的整数商；

或者：

x值为：W除以w的值进行四舍五入后得到的整数；

y值为：H除以h的值进行四舍五入后得到的整数。