[发明专利]一种多类中心的分类网络模型的设计方法

权利要求书

1.一种多类中心的分类网络模型的设计方法，其特征在于，包括如下步骤：

步骤S001：设计一个多类中心的分类网络模型，具体方式为：

步骤S0011：为每一个分类设定多个类中心；在CNN特征提取网络后，连接一个多路并联的FC组，每一路FC层的权值矩阵的行向量就是一个类中心；

步骤S0012：在多路并联的FC组之后，加入一个多路选择器；以输出值的概率预测值的大小作为挑选的依据，在各个FC通路的同行位置的输出值之间，挑选概率预测的最大值作为这个样本的预测概率；

步骤S0013：将多路选择器挑选后的预测概率，拼成一个输出概率向量，送入损失函数中去进行误差计算；在反向误差传递时，所述多路选择器同样地做误差过滤，即仅被选中的那一个FC通路需要传递误差，没有选中则不传递误差；

步骤S002：优化损失函数的设计，将类中心距离作为额外的惩罚项增加到损失函数的计算中，具体方式为：

步骤S0021：在前向计算过程中，动态统计类内各中心点的聚合半径；前向计算过程为：

S211：对输入样本进行预处理；

S212：预处理后的图像数据输入特征网络模型，计算对应的特征向量；

S213：将特征向量同时送入并联的多路FC层和多路FC的行向量进行内积值的计算；

S214：将步骤S213中的向量内积的计算值，送入多路选择器，挑选合适的类中心；

S215：将所有被选中的各路FC的输出值混合，作为所述多路FC组的输出向量，送入损失函数中去进行误差计算；

步骤S0022：以聚合半径为阈值，当类内各中心之间距离小于该聚合半径时，将其作为惩罚项加入到损失函数中，惩罚项计算公式为：

式1：

式2：L_i.g12＝D_wi.g1+D_wi.g2-D_wi.g1*wi.g2

if(D_wi.g1*wi.g2＜D_wi.g1+D_wi.g2)

else 0；

式3：L_i.g23＝D_wi.g2+D_wi.g3-D_wi.g2*wi.g3

if(D_wi.g2*wi.g3＜D_wi.g2+D_wi.g3)

else 0；

式4：L_i.g13＝D_wi.g1+D_wi.g3-D_wi.g1*wi.g3

if(D_wi.g1*wi.g3＜D_wi.g1+D_wi.g3)

else 0；

其中，N表示目标分类数，L_i.g12,L_i.g23,L_i.g13分别为3个类中心的各自的惩罚项；

式2中：D_wi.g1为动态统计的第1路FC通道的类中心点的聚合距离；同理，D_wi.g2表示第2路FC通道的类中心点的聚合距离，D_wi.g1*wi.g2为两个类中心之间的距离；

式3和式4中变量的含义和式2中一致。

2.根据权利要求1所述的一种多类中心的分类网络模型的设计方法，其特征在于，所述分类网络模型的模型框架包括特征提取网络、全连接组、多路选择器、损失函数。

3.根据权利要求1所述的一种多类中心的分类网络模型的设计方法，其特征在于，所述步骤S213中特征向量和FC行向量的内积的输出值为所属分类的预测概率。