[发明专利]一种基于卷积神经网络的图像分类方法

权利要求书

1.一种基于卷积神经网络的图像分类方法，其特征在于，按照以下步骤进行：

步骤S1、将待分类/识别图像输入卷积神经网络；

步骤S2、利用特征图降维方法对卷积神经网络的池化层输入的待分类/识别图像的全部高维特征图进行降维；

步骤S3、利用降维得到的待分类/识别图像的全部低维特征图继续向下操作直到最后计算出卷积神经网络的损失后将其反向传播，循环迭代直至损失值不再下降或者分类/识别的准确率不再上升为止，得到对输入图像的最终分类/识别结果；

所述特征图降维方法的具体实现过程为：

步骤S21、利用卷积神经网络池化层输入的待分类/识别图像的全部高维特征图构建输入图像特征信息矩阵S_m×n；

步骤S22、利用PCA运算提取待分类/识别图像特征信息矩阵S_m×n的主成分矩阵C_m×n；

步骤S23、初始化随机变量，对主成分矩阵C_m×n进行信息加权，构建池化矩阵P_m×1；

步骤S24、由池化矩阵P_m×1构建还原出待分类/识别图像的全部低维特征图；

所述步骤S22按照以下步骤进行：

步骤S221、对每一个行向量α_i＝[d_i1,d_i2,…,d_in],i＝1,2,…,m去中心化，进而得到去中心化的待分类/识别图像特征信息矩阵S′_m×n：

其中，α′_i为去中心化的行向量，

步骤S222、按照下式对S′_m×n进行特征值分解，得到特征向量组成的矩阵V_n×n：

其中，U_m×m是由左奇异向量组成的矩阵，∑_m×n是对角线上的元素为奇异值而其他元素均为零的矩阵；

步骤S223、由待分类/识别图像特征信息矩阵S_m×n和特征向量组成的矩阵V_n×n根据公式C_m×n＝S_m×nV_n×n得到主成分矩阵C_m×n；

所述步骤S23按照以下步骤进行：

步骤S231、用m维的列向量β_i,i＝1,2,…,n,β_i∈R^m，R^m是行数为m的实数矩阵，依次表示主成分矩阵C_m×n的每一列，即C_m×n＝[β₁,β₂,…,β_n]；

步骤S232、对列向量β_i信息加权，得到池化矩阵P_m×1＝K₁β₁+K₂β₂+…+K_nβ_n；其中K₁,K₂,…,K_n是初始化的随机变量，其和卷积神经网络模型参数一起训练得到最终值；

步骤S233、用p₁,p₂,…,p_m表示P_m×1的每一行，则池化矩阵P_m×1＝[p₁,p₂,…,p_m]^T，且池化矩阵的行向量p_i,i＝1,…,m在池化矩阵P_m×1中的位置与行向量α_i,i＝1,…,m在待分类/识别图像特征信息矩阵S_m×n中的位置一一对应；

所述步骤S24是先对池化矩阵P_m×1进行分段，分成m/k段，分出的每一段均代表一张降维后的待分类/识别图像的特征图，再将每一张降维后的待分类/识别图像特征信息矩阵的特征图上的特征信息数据按照所选池化窗口大小降维到1×1窗口，对应还原成m/k张与待分类/识别图像的高维特征图一一对应的低维特征图，即是将待分类/识别图像的高维特征图上的k个多维特征信息数据降低成了k个一维特征信息数据，这k个一维特征信息数据构成待分类/识别图像的低维特征图。