[发明专利]基于小波变换的渐进式深度卷积网络图像识别方法及装置

权利要求书

1.一种基于小波变换的渐进式深度卷积网络图像识别方法，其特征在于，所述方法包括：

步骤S101：选取训练图像集，对训练图像X_k进行小波分解，获得所述训练图像的成分图像I₁…I_m；

步骤S102：训练渐进式深度卷积神经网络模型，包括：构建M个单独的DNN子网络N₁…N_i…N_M组成的渐进式深度神经网络层，将所述成分图像I₁…I_m分别输入对应的DNN子网络N₁…N_m，输出成分图像I₁…I_m对应的特征F₁…F_m，各个数据通道R₁-R_m上进行特征融合，将通道R_i获得的成分图像I_i对应的特征F_i与在前的数据通道R_i-1对应的特征F_i-1融合，第一数据通道R₁融合后特征仍为F₁；将各通道上融合后的特征F₁…F_m分别输入各自对应的评估子网络E₁…E_m，各评估子网络E₁…E_m用于计算各评估子网络的损失函数，并将所述损失函数值输入决策控制网络，由决策控制网络确定识别训练图像X_k所需的DNN子网络的最少层级；其中，1≤i≤M；

所述决策控制网络的损失函数定义为

L＝L_E+αL_CADP-βL_wavelet，

所述决策控制网络的损失函数的控制目标为最大化该损失函数；

其中α、β分别表示损失函数系数，取值均为0.1，L_E用于评价评估子网络，由所述评估子网络的输出和训练图像类别的交叉熵定义，

其中，M是评估子网络的个数，w_n是第n个评估子网络的权重，w_n＝γw_n-1，γ＜1，y_n是第n个评估子网络的输出；是训练图像的真正类别；

其中k是训练图像类别的下标，C是训练图像类别数目，L_CE()是评估子网络的损失函数，为交叉熵函数；

L_CADP用于优化最小化累积的计算复杂度和预测的误差；

其中C(s)是第s个DNN子网络的复杂度，用该子网络的参数个数来表示，N(x)是训练图像X_k所需要的DNN子网络个数，即需要多少个DNN子网络才能输出正确的分类结果，y_N(x)是N(x)个DNN子网络中最后一个DNN子网络的输出；

L_wavelet用于描述图像小波变换的损失，

其中X_k是训练图像，l是小波变换的阶数；

对训练图像X_k，通过所述决策控制网络决策，得到最早输出了正确分类结果的评估网络层级α，即E(X_k，α)＝1，表示训练图像X_k在第α层DNN子网最早得到正确分类识别；

步骤S103：判断所述渐进式深度卷积神经网络模型是否稳定，若否，进入步骤S101；若是，进入步骤S104；

步骤S104：获取待识别图像，利用预先训练好的所述渐进式深度卷积神经网络模型识别图像。

2.如权利要求1所述的基于小波变换的渐进式深度卷积网络图像识别方法，其特征在于，所述DNN子网络N₁的输入与训练图像原图大小一致。

3.如权利要求1所述的基于小波变换的渐进式深度卷积网络图像识别方法，其特征在于，所述决策控制网络为递归神经网络(RNN)。