[发明专利]基于核空间的深度散射卷积网络学习方法和系统

说明书

技术领域

本发明涉及一种数字图像分类方案，具体是一种基于核空间的深度散射卷积网络 学习方法和系统。

背景技术

数字图像信号的分类问题通常由特征提取算子及分类器联合解决。特征提取算子 提取的特征识别类内相似性并区分类间差异性的能力称为特征可分性，这种性质显然 影响着分类精度。在特征提取算子确定的情况下，特征可分性受到后端的分类器的影 响。为了进一步提高信号的分类准确率，一种方案是联合优化特征提取算子和分类 器，这种方案可以提供对不同类型的数字图像进行分类的鲁棒性。

经过对现有技术的文献检索发现，J.Bruna和S.Mallat在2013年的《IEEE TransactionsonPatternAnalysisandMachineIntelligence》(TPAMI)期刊上发表的 “Invariantscatteringconvolutionnetworks”一文中提出了一种基于复小波分解的散射卷 积网络，该散射网络通过级联小波卷积、非线性取模及局部平均算子建立了一种能线 性化细微形变且有局部平移不变特性的特征提取算子。该方法可以有效提高纹理图像 和手写字符的分类准确率，但这种方法没有考虑后端分类器对散射网络的特征可分性 的影响，且给出小波的旋转和伸缩数，网络中散射路径的数量和参数是固定的，这导 致对于特定的问题分类准确率降低。M.Sangnier,J.Gauthier与A.Rakotomamonjy在 2015年的《SignalProcessing》期刊上发表的“Filterbanklearningforsignal classification”一文中提出了一种联合学习滤波器组和支持向量机的方法，该方法将滤 波器组的学习问题转化为多核学习问题，可以在高噪声水平下有效地解决音频信号的 二元分类问题。但这种方法只解决单层滤波器组的学习问题，所得的信号分解系数不 包含不同尺度和方向之间的交互信息，最终会导致图像信号的分类不准确。这些不足 促使申请人找到一种深度卷积网络的学习方法，针对不同的图像数据库自适应地学习 网络中的卷积路径。

发明内容

本发明针对现有技术的不足，提供了一种基于核空间的深度散射卷积网络学习方 法及系统，针对不同的图像数据库能自适应地学习网络中的卷积路径，可以有效提高 手写字符和纹理图像的识别准确率，并可作为一种通用的数字图像分类方法。

本发明是通过以下技术方案实现的：

本发明提供一种基于核空间的深度散射卷积网络学习方法，包括：

参数化小波生成步骤：该步骤以随机化参数构造小波滤波器组；

多核学习步骤：该步骤基于参数化小波生成步骤构造的小波滤波器组对训练数据 集进行散射卷积网络的分解，并采用多核学习算法选择最优卷积路径；

散射分解步骤：该步骤基于多核学习步骤选择的最优卷积路径对测试数据集进行 散射分解，所得的分解系数在支持向量机分类被分类。

进一步的，所述的参数化小波生成步骤：通过随机化的变换参数对复小波基进行 伸缩及旋转变换构造小波滤波器组。

进一步的，所述的多核学习步骤：基于最大化间距准则和一对多策略联合优化散 射卷积网络与支持向量机，并将该联合优化问题转化为多核学习问题。

进一步的，所述的多核学习步骤，具体实现如下：

S1、更新参数化小波生成步骤的随机化参数，构造小波滤波器组对训练数据集进 行散射卷积网络的分解，用分解结果中每条卷积路径的系数分别构建高斯核；

S2、通过广义多核学习算法计算当前高斯核集合中每个核的组合权值，基于活动 集准则去除集合中权值为零的非活动核，并计算加权积形式的组合核；

S3、重复S1，结合所得的新生成的高斯核与S2中得到的组合核，计算当前解是 否满足KKT(Karush-Kuhn-Tucker)条件，若满足则根据S2中的高斯核集合推导对应 的卷积路径，作为局部最优解输出；否则在新生成的高斯核中选出一个违背KKT条件 的核以零初始权值加入S2选出的活动核集合中，并转到S2。

进一步的，所述的散射卷积网络的分解，是指：由小波滤波器组迭代地对信号进 行卷积分解，每条卷积分解路径有不同的小波伸缩或旋转参数且卷积次数m≤2，每 次卷积后进行复数取模操作，最后进行高斯低通滤波，结果为该卷积路径的分解系 数。