[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

说明书

本发明涉及一种基于周期性局部连接卷积神经网络的图像分类方法，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。本实施例提供的图像识别方法利用周期性局部连接卷积神经网络提高了图像特征提取效率，有效的减小了网络结构的规模，使得图像特征提取对图像内容的位置和角度变化不敏感，因此，具备更强的表达能力，从而具备更高的图像分类正确率。

技术领域

本发明属于数字图像处理领域，具体涉及一种基于周期性局部连接卷积神经网络的图像分类方法。

背景技术

图像分类是数字图像处理领域中的基础的问题之一，图像分类是根据图像内容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。具体是利用计算机自动理解图像内容，并根据内容确定该图像的标签，最后计算机根据该标签对图像进行自动分类。图像分类有着广泛的应用场景，如目标检测识别、场景分类等都是图像分类技术中最具代表性的拓展应用。

图像分类一般可分为图像特征提取和特征分类两大关键步骤，常见的图像分类方法都是通过构建特征分类器对图像进行分类，而图像分类器主要是通过卷积神经网络来具体实现。卷积神经网络是利用算法自动学习图像数据中潜在的特征并进行分类。目前，VGGNet、ResNet、Densenet、MobilenetV1和MobilenetV2是性能最优的几种代表性神经网络结构，其中，VGGNet、ResNet和Densenet通过图像特征提取，很好的对图像进行了分类；而MobilenetV1和MobilenetV2更是改进了网络结构，使得算法计算量大幅降低。

VGGNet，ResNet，Densenet这几种网络结构规模庞大，而且巨大的计算量使得这几种网络结构在很多场合都无法使用。而MobilenetV1和MobilenetV2虽然改进了网络结构，使得计算量大幅降低，但是同时也降低了分类精度。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于周期性局部连接卷积神经网络的图像分类方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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；