[发明专利]基于周期性局部连接卷积神经网络的图像分类方法

权利要求书

1.一种基于周期性局部连接卷积神经网络的图像分类方法，其特征在于，包括：

将多个卷积核组构建为周期性局部连接卷积层；其中，每个所述卷积核组包括多个卷积核，每个所述卷积核用于对预设图像的指定区域进行周期性卷积操作；

根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络；

根据所述周期性局部连接卷积神经网络对原始图像的进行分类。

2.根据权利要求1所述的方法，其特征在于，所述卷积核的大小为W×H，W为所述卷积核的宽，H为所述卷积核的高。

3.根据权利要求1所述的方法，其特征在于，根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络，包括：

根据所述周期性局部连接卷积层构建周期性局部连接卷积模块；

根据所述周期性局部连接卷积模块构建基本特征提取单元；

将多个所述基本特征提取单元构建为周期性局部连接卷积神经网络。

4.根据权利要求3所述的方法，其特征在于，根据所述周期性局部连接卷积层构建周期性局部连接卷积模块，包括：

将第一卷积层的输出端连接第一激活层的输入端；

将所述第一激活层的输出端连接所述周期性局部连接卷积层的输入端；

将所述周期性局部连接卷积层的输出端连接第二激活层的输入端；

将所述第二激活层的输出端连接第二卷积层的输入端，构建所述周期性局部连接卷积模块；其中，

所述第一卷积层用于对所述第一卷积层内不同通道的特征图像进行加权融合；

所述第一激活层用于增加特征图的稀疏性；

所述周期性局部连接卷积层用于对所述周期性局部连接卷积层内的同一通道得特征图进行加权融合；

所述第二激活层用于增加特征图的稀疏性；

所述第二卷积层用于对不同通道的特征图像进行加权融合。

5.根据权利要求4所述的方法，其特征在于，所述周期性局部连接卷积模块的输入端为所述第一卷积层的输入端，所述周期性局部连接卷积模块的输出端为所述第二卷积层的输出端。

6.根据权利要求4所述的方法，其特征在于，所述第一激活层和所述第二激活层均为ReLU激活层。

7.根据权利要求4所述的方法，其特征在于，所述第一卷积层卷积核的核数量为O₁、步进值为S₁、边缘填充为P₁；

所述第二卷积层的卷积核的数量为O₂、步进值为S₂、边缘填充为P₂。

8.根据权利要求3所述的方法，其特征在于，根据所述周期性局部连接卷积模块构建基本特征提取单元，包括：

利用加法旁路连接所述周期性局部连接卷积模块的输入端和输出端，构建所述基本特征提取单元；其中，所述加法旁路用于将所述输入端与所述输出端进行点对点相加。

9.根据权利要求1所述的方法，其特征在于，在根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络之后，还包括：

通过训练样本集对所述周期性局部连接卷积神经网络进行训练。

10.根据权利要求9所述的方法，其特征在于，所述训练样本集为CIFAR-10数据集。