[发明专利]一种基于样条卷积神经网络的图像分类方法

说明书

本发明提出了一种基于样条卷积神经网络的图像分类方法，其主要内容包括：样条卷积神经网络、通用计算图形处理器算法，其过程为，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。本发明提出一种新型的可训练卷积运算符，卷积滤波器在空间域中运行并聚合局部特征，应用可训练的连续核函数，通过可训练的B样条控制值进行参数化，能快速进行训练和推理，简化了图像分类过程，同时也提高了分类的准确性。

技术领域

本发明涉及图像分类领域，尤其是涉及了一种基于样条卷积神经网络的图像分类方法。

背景技术

图像分类是根据图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法，卷积神经网络是深度学习算法中的一种，具有结构简单、适应性强、训练参数少而连接多等特点，近年来被广泛应用在图像分类处理等领域。具体地，在军事领域，随着数据量的增加和目标相似性的提高，可以在大规模的数据集以及战场上复杂场景中对各类军事目标进行高精度的图像分类识别。另外，利用图像特征提取和分类等步骤识别医学影像，通过大量准确标注的照片和医学数据，对模型进行训练和测试，并且通过大量医学知识的学习，最终建立能准确识别医学影像的人工智能模型，从而辅助医生进行诊断。而在交通领域，可以通过交通监控视频中的信息，提取车辆的不同轮廓，对道路上的车辆进行分类，实时监控道路情况，一旦违规车型进入限行道路，便生成车辆信息，以便交警采取相应措施。虽然基于卷积神经网络的模型及其变体提高了图像分类的结果，但是，高性能的卷积神经网络往往具有很大的计算复杂度和内存消耗，人们很难将其投入到实时的应用和设备中。

本发明提出了一种基于样条卷积神经网络的图像分类方法，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。本发明提出一种新型的可训练卷积运算符，卷积滤波器在空间域中运行并聚合局部特征，应用可训练的连续核函数，通过可训练的B样条控制值进行参数化，能快速进行训练和推理，简化了图像分类过程，同时也提高了分类的准确性。

发明内容

针对图像分类网络中的计算复杂和内存消耗的问题，本发明提出了一种基于样条卷积神经网络的图像分类方法，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。

为解决上述问题，本发明提出一种基于样条卷积神经网络的图像分类方法，其主要内容包括：

(一)样条卷积神经网络；

(二)通用计算图形处理器算法。

其中，所述的样条卷积神经网络，样条卷积神经网络(样条CNN)使用一种新型样条卷积层构建深度神经网络，卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，样条CNN由以下三个部分组成：预训练、节点特征和卷积运算符。

进一步地，所述的预训练，训练过程如下：