[发明专利]基于多分支卷积神经网络特征正交的图像可判别区域提取方法

权利要求书

1.基于多分支卷积神经网络特征正交的图像可判别区域提取方法，其特征在于，包括以下步骤：

1)网络构建：

构建N个结构相同卷积神经网络作为多分支卷积神经网络的N个分支，N个卷积神经网络相互不共享参数；N为大于2的整数；

将每个分支卷积神经网络最后一层卷积层输出的特征提取出来，任意两个不同分支输出的特征之间作哈达玛积，将哈达玛积的矩阵中所有元素相加得到两两分支的特征正交损失；N分支卷积神经网络的总损失函数L_all为：

其中L_ci为第i个分支的分类损失，L_o为两两分支的特征正交损失之和，λ为超参数；

2)构建训练集；

3)使用训练数据训练所述多分支卷积神经网络；

4)使用训练完成的所述多分支卷积神经网络进行图像可判别区域提取：

4-1)将测试图片输入其分支卷积神经网络中，对于每个分支获取测试图像可判别区域；

4-2)将各分支的测试图像的可判别区域进行双线性上采样，使其大小和原测试图片相等；

4-3)将从N个分支网络获取到的测试图像的可判别区域进行融合，从而得到图像的可判别区域谱M，融合计算如下：

其中,M_i表示第i个分支提取到的可判别区域，M表示融合后最终的可判别区域。

2.如权利要求1所述方法，其特征在于，各分支的分类损失的计算使用二元交叉熵损失。

3.如权利要求1所述方法，其特征在于，结构相同卷积神经网络为残差网络。

4.如权利要求3所述方法，其特征在于，残差网络为ResNet-50网络。

5.如权利要求1所述方法，其特征在于，超参数λ设定为0.00001。

6.如权利要求1所述方法，其特征在于，构建训练集时，先将数据集中所有图片进行尺寸归一化，再将所有图片R、G、B三个通道分别减去整个数据集所有图片分别在R、G、B三个通道上的均值。

7.如权利要求6所述方法，其特征在于，尺寸归一化大小为256*256。