[发明专利]一种基于卷积神经网络的图像分类方法

说明书

本发明公开了一种基于卷积神经网络的图像分类方法，将待分类/识别图像输入卷积神经网络，利用特征图降维方法对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，最后将降维得到的待分类/识别图像的全部低维特征图向下输入计算出损失后将其反向传播，循环迭代直至损失或分类准确度不再变化，得到图像分类/识别结果。特征图降维，是利用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，提取待分类/识别图像特征信息矩阵的主成分矩阵，再初始化随机变量，对主成分矩阵进行信息加权，构建池化矩阵，由池化矩阵还原出待分类/识别图像的全部低维特征图。解决了采用卷积神经网络的图像分类方法分类精度低的问题。

技术领域

本发明属于图像分类技术领域，涉及一种基于卷积神经网络的图像分类方法。

背景技术

图像分类技术在字符、人脸和物体识别以及图像检索等方面都有广泛的应用。其主要思想是：首先对样本图像中所包含的目标或者场景进行分析，然后将图像的原始像素转换为图像的特征信息即特征图，用这些特征信息表示成各个图像的描述信息，最后根据得到的这些描述信息进行图像分类，目前，基于卷积神经网络的图像分类成为研究热点。

卷积神经网络(CNN)主要由卷积层与池化层的交替结构组成，包含的卷积层越多，提取的特征就越抽象，越能提高分类精度。与传统的全连接网络相比，CNN的卷积层有局部连接与权值共享的特点，从而大大减少网络参数，提高网络的训练速度。但是CNN的网络参数数量依然较大，随网络深度增加，从输入图像(即待分类/识别图像)提取得到的是其高维特征图，造成CNN的参数数量剧增，图像分类/识别难度也随之增加、图像分类/识别效率降低，且极容易造成过拟合，造成输入图像分类/识别速度降低，输入图像分类/识别时间增加。因此有必要对提取的输入图像的高维特征图进行降维。

池化操作也称为下采样，主要用于特征的降维，可以显著减少参数的数量，减小过拟合，同时池化操作还具有旋转、平移不变性。常用的池化有最大池化、平均池化和随机池化。最大池化，顾名思义，就是取池化窗口中的最大值；平均池化是取窗口中的平均值；随机池化是以某一个值占所在窗口中所有值总和的比例为概率，随机的选区窗口中的值，由此可以看出，某一个值越大，那么取该值的可能性就越大。从池化操作中可以看到，最大池化选取窗口中的一个最大值，并没有考虑其它值的特征；而平均池化选取窗口的平均值，虽然考虑了窗口中所有值，但是取平均操作弱化了每一维的特征，没有考虑特征的独特性；随机池化相比于最大池化，不同之处在于随机池化能选择到窗口内的所有值，但是，其本质上还是选择某一个值。这些操作都会丢失大量提取的输入图像的数据信息，做不到把窗口中的信息最大化利用。丢失的信息越多，图像分类/识别的精度就越低。

发明内容

本发明实施例的目的在于提供一种基于卷积神经网络的图像分类方法，以解决现有采用卷积神经网络进行图像分类的方法容易丢失待分类/识别图像的特征信息数据造成图像分类精度较低的问题，以及现有采用卷积神经网络进行图像分类的方法随网络深度增加，对输入图像的分类/识别难度增加、速度降低的问题。

本发明实施例所采用的技术方案是，一种基于卷积神经网络的图像分类方法，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。

进一步的，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；