[发明专利]一种基于变分组卷积的图像识别方法

权利要求书

1.一种基于变分组卷积的图像识别方法，其特征在于：包括以下步骤：

第一步，对一张输入图像进行RGB通道拆分，每个通道作为初始的特征图，共3个特征图，作为初始输入；

第二步，使用原始的5层AlexNet卷积神经网络，为每一层的m个卷积核，分配每个卷积核对应的1组卷积特征图；

第三步，对各个卷积核和对应的不同数量，即变分组的特征图组计算二维卷积，得到本层的输出特征图，同时也是下一层的输入特征图，完成第一层的特征图计算，同样的过程依次完成第2层到第5层的输出特征图，将第5层的输出特征矩阵按行展开成一维向量，即得到输出特征，使用softmax函数对输出特征进行概率化映射，得到输出类别向量；

第四步，使用均方误差计算AlexNet卷积神经网络模型的输出类别向量与输入图像的类别真值向量之间的损失值，通过误差反向传播算法更新AlexNet中卷积核的参数，即完成了对AlexNet卷积神经网络模型的一次更新，通过在imagenet数据集上进行训练，得到训练完的AlexNet卷积神经网络模型，最终使用训练完的AlexNet卷积神经网络模型对输入图像进行图像识别。

2.根据权利要求1所述的基于变分组卷积的图像识别方法，其特征在于：所述第二步，m个卷积核中，对于每个卷积核，分配对应的卷积特征图的方法如下：假设当前的层有n个输入特征图，对n个特征图进行的组合，假设共有n′个组合的特征图，即，

从这n′个组合中随机抽出m个组合的特征图，每个这样的组合对应一个卷积核，共有m个卷积核。

3.根据权利要求1所述的基于变分组卷积的图像识别方法，其特征在于：所述第三步，对于m个组的卷积特征图，假设当前第l层的m个卷积核中的第i个卷积核对应k个输入特征图，则对k个特征图进行卷积，

其中W_i是卷积核权重系数矩阵，W_i在初始时由随机数构成，代表二维离散卷积操作，表示卷积核权重系数矩阵W_i对应的输入特征图，表示卷积后得到的特征图；由于每个卷积核对应的输入特征图数量不同，对于不同卷积核的k是不同的，即是变分组卷积；通过公式(2)完成的是一个卷积核的操作，如果当前层有m个卷积核，则进行m次公式(2)的操作，得到m个特征图作为当前层的输出；当前层的输出为下一层的输入，下一层采用同样的通道选取方法核卷积方法；以此类推，直到第5个卷积层，将第5层的输出特征矩阵按行展开成一维向量，即可得到输出特征，使用softmax函数对输出特征进行概率化映射，得到输出类别向量。

4.根据权利要求1所述的基于变分组卷积的图像识别方法，其特征在于：所述m小于等于32。