[发明专利]通过模拟神经元树突分枝实现图像分类的方法、系统

权利要求书

1.通过模拟神经元树突分枝实现图像分类的方法，其包括：

对待分类的图像进行预处理；建立CNN网络模型，CNN网络模型至少包括卷积层、池化层；对CNN网络模型进行训练，得到训练好的CNN网络模型；通过训练好的CNN网络模型进行图像分类，获得分类结果，其特征在于，在CNN网络模型的卷积层进行执行如下步骤：

步骤1：模拟神经元树突分枝设置近枝层和远枝层，分别对应近枝层和远枝层定义学习权值，然后通过乘法耦合，获得新的卷积核，通过新的卷积核与输入的图像进行卷积运算提取特征，获得输出图像；

步骤2：将输入的图像在图像通道数的维度上进行切割，逐位比较切割得到的图像在相同维度中元素的数值大小并取最大值，再将取最大数之后的图像与卷积核进行卷积运算提取特征，获得输出图像；

步骤1和步骤2的执行顺序能够互换；

步骤2包括以下步骤：

步骤201：将输入的图像在图像通道数的维度上进行分割，图像的形状表示为X(batch,height,width,channels)，分割后产生的图像X1和图像X2的形状均表示为其中，图像通道数为偶数；

步骤202：逐位比较X1和X2相同维度中元素的数值大小，取最大值X_max＝max(X₁,X₂)，X_max的形状表示为

步骤203：初始化近枝权值W，将步骤202得到的图像X_max与近枝权值W进行卷积运算提取特征，输出图像，通过非线性激活函数处理输出的图像。

2.根据权利要求1所述的通过模拟神经元树突分枝实现图像分类的方法，其特征在于：步骤1包括以下步骤：

步骤101：模拟神经元树突分枝设置近枝层和远枝层，在CNN网络模型的卷积层设定卷积核，卷积核的学习权值分别表示为近枝权值W和远枝权值K，初始化近枝权值W和远枝权值K，近枝权值W的形状表示为W(filter_height,filter_width,1,out_channels)，远枝权值K的形状表示为K(1,1,in_channels,out_channels)，其中近枝权值W和远枝权值K的四个维度分别表示为卷积核高度、卷积核宽度、输入通道数、输出通道数；

步骤102：对近枝权值W和远枝权值K进行扩展，将近枝权值W和远枝权值K转换成相同的形状，使得近枝权值W和远枝权值K能够进行乘法耦合；

步骤103：将扩展后的近枝权值W和远枝权值K进行乘法运算，得到新的卷积核R；

步骤104：将输入的图像与卷积核R进行卷积运算提取特征，输出图像X，图像X的形状表示为X(batch,height,width,channels)，图像X的4个维度分别表示为样本数、图像高度、图像宽度、图像通道数，通过非线性激活函数处理输出的图像。

3.根据权利要求2所述的通过模拟神经元树突分枝实现图像分类的方法，其特征在于：在步骤102中，对近枝权值W和远枝权值K进行扩展时，近枝权值W在输入通道数的维度上按维度3进行复制，复制倍数为multiplys＝[1,1,in_channels,1]，扩展后的张量为W_TILED；将远枝权值K在输入通道数的维度按维度1和2进行复制，复制倍数为multiplys＝[filter_height,filter_width,1,1]，扩展后的张量为K_TILED。

4.根据权利要求1所述的通过模拟神经元树突分枝实现图像分类的方法，其特征在于：非线性激活函数采用ReLU或Leaky-ReLU非线性激活函数。

5.根据权利要求1所述的通过模拟神经元树突分枝实现图像分类的方法，其特征在于：CNN网络模型采用ResNet或Inception神经网络。