[发明专利]一种融合DarkNet与CapsuleNet模型的图像分类方法

权利要求书

1.一种融合DarkNet与CapsuleNet模型的图像分类方法，其特征在于，包括以下具体步骤：

步骤S1：构建DarkNet-Capsule网络融合分类模型，包括DarkNet模型的定义、CapsuleNet模型的定义；具体是将多个DarkNet块组成DarkNet模型，在最后一个DarkNet块后搭建CapsuleNet网络；

步骤S2：实现对融合分类模型损失函数的定义；融合模型的损失是由胶囊网络的marginloss加上DarkNet的L2权重正则化损失组成，损失函数公式如下所示：

L＝T_kmax(0，m⁺-||v_k||)²+λ(1-T_k)max(0，||v_k||-m^-)²+||w_D||²

其中，T_k表示类是否存在，m⁺＝0.9，m^-＝0.1，λ为超参数设置为0.5，||v_k||代表胶囊单元属于这个类别的概率，||w_D||²为DarkNet网络各层权重的L2正则化损失之和，损失函数为CapsuleNet的MarginLoss加上DarkNet网络各层权重的L2正则化损失之和；

步骤S3：在融合分类模型中输入要分类的图像，利用DarkNet进行前向训练，提取目标图像的特征图谱；

步骤S4：利用胶囊网络，对目标图像特征图谱做进一步处理，通过损失完成误差反传更新整个网络的参数；

步骤S5：通过多轮迭代学习之后，利用融合分类模型完成对图像的分类。

2.根据权利要求1所述的一种融合DarkNet与CapsuleNet模型的图像分类方法，其特征在于，所述步骤S1具体为：

步骤S11：搭建DarkNet模型，DarkNet模型由多个DarkNet块组成，所有的DarkNet块由两个卷积与一个残差链接组成，两个卷积的卷积核分别为1和3；且每两个DarkNet块之间都有一个单独的卷积层，采用的是下采样卷积，将原有输入补0，再通过步长为2，卷积核为3的VALID卷积实现；

步骤S12：在最后一个DarkNet块后搭建CapsuleNet网络，CapsuleNet网络由主胶囊网络与数字胶囊网络组成，主胶囊网络将特征变成很多胶囊单元，每个胶囊单位都为向量；数字胶囊层将各个胶囊单元分开，遍历每个胶囊单元，并进行动态路由，输出网络的最终结果。

3.根据权利要求1所述的一种融合DarkNet与CapsuleNet模型的图像分类方法，其特征在于，步骤S3中所述的要分类的图像包括所有类别的训练集，验证集以及测试集图像和标签，在输入过程中，将所有图像根据融合分类模型调整成一致的尺寸。

4.根据权利要求1所述的一种融合DarkNet与CapsuleNet模型的图像分类方法，其特征在于，步骤S3中利用DarkNet提取特征图谱的过程如下所示：

(1)将图像输入到DarkNet网络中，将倒数2个darknet块的结果返回，以提供更丰富的视野特征；

(2)将小尺度的返回结果使用最近邻插值法调整为与大尺度返回结果一样的尺寸，接着两者的特征进行合并，再进行卷积，提取特征。