[发明专利]基于校对网络的卷积神经网络图像分类方法

说明书

本发明公开一种基于校对网络的卷积神经网络图像分类方法，在传统单结构的卷积神经网络基础上构建一个反卷积运算网络作为校对网络，校对网络的第一个反卷积层连接工作网络的校对层，校对网络的校对向量输出层与所述工作网络的特征值尾层经比对函数连接，所述校对层为所述工作网络的任意卷积层或全连接层，所述特征值尾层为输出分类向量或分类结果的一层，校对结果从所述特征值尾层开始从后往前倒序调节工作网络每个网络层参数。有益效果：利用反卷积对卷积神经网络运算过程中的图像数据进行还原，还原的结果与卷积神经网络的处理结果进行比对，若出现误差，则把误差反馈给原有卷积神经网络，使之得到更好的训练学习，从而提高图像处理的准确度。

技术领域

本发明涉及卷积神经网络在图像分类中的应用，具体的说，涉及一种基于校对网络的卷积神经网络图像分类方法。

背景技术

自从2006年Hinton提出深度学习概念以来，卷积神经网络作为深度学习技术中一个重要的方向得到了迅速的发展，目前，卷积神经网络在图像识别领域占领统治地位，典型的卷积神经网络模型有LeNet、VGG、ResNet、DenseNet等，这些卷积神经网络通常采用输出和输入的交叉熵作为损失函数以对模型进行训练，采用输出和输入的交叉熵虽然能够很好地促进卷积神经网络模型的收敛，仅仅采用交叉熵并不能很好地训练出高识别准确度的模型，目前卷积神经网络在医疗影像领域的识别精度就有待提高。

目前，随着卷积神经网络的发展，反卷积网络得到了一定的发展，反卷积操作能够对卷积操作进行一定的还原，实现在一定程度上将特征图或输出向量还原为输入图像的功能，这为卷积神经网络的改进提供了一种方向，为本发明利用反卷积操作设计重构网络并应用到卷积神经网络提供了研究基础。

发明内容

本发明的目的是提供一种基于校对网络的卷积神经网络图像分类方法，利用反卷积对卷积神经网络运算过程中的图像数据进行还原，还原的结果与卷积神经网络的处理结果进行比对，若出现误差，则把误差反馈给原有卷积神经网络，使之得到更好的训练学习，从而提高图像处理的准确度。

为达到上述目的，本发明采用的具体技术方案如下：

一种基于校对网络的卷积神经网络图像分类方法，具体步骤如下：

S1，构建卷积神经网络，所述卷积神经网络设置有工作网络和校对网络，所述工作网络用于输入图像并输出图像分类，所述校对网络用于校对所述工作网络；

所述工作网络至少设置有a个卷积层、b个全连接层和1个softmax层，还可根据运算需要增设池化层、激活函数层等；

所述校对网络为反卷积运算网络，即所述校对网络设置有n个反卷积层、1个校对向量输出层，该校对向量输出层通常为softmax层，所述校对网络的第一个反卷积层连接所述工作网络的校对层，所述校对向量输出层与所述工作网络的特征值尾层经比对函数连接；

所述校对层为所述工作网络的任意卷积层或全连接层，所述特征值尾层为所述工作网络输出分类向量或分类结果的一层；

S2，输入训练图像至所述卷积神经网络，完成所述卷积神经网络训练：

S2.1，所述训练图像经所述工作网络各卷积层卷积计算得到待校对向量I_a；

S2.2，所述工作网络的校对层数据经所述校对网络反卷积计算得到校对向量I_b；

S2.3，所述校对网络根据比对函数对所述校对向量I_b与所述待校对向量I_a进行比对，获得比对结果，该比对结果即为校对差量；

S2.4，所述校对网络将所述步骤S2.3的比对结果反馈至所述工作网络的特征值尾层；

S2.5，所述工作网络从所述特征值尾层开始从后往前倒序调节每个网络层参数，倒序调节为各网络层自动调节，无需其他设置；