[发明专利]用于图像分类的单纯形神经网络的构建方法及装置

权利要求书

1.一种用于图像分类的单纯形神经网络的构建方法，其特征在于，包括以下步骤：

对输入图像进行特征提取，通过若干并行卷积组提取得到所述输入图像的特征图，挖掘所述特征图中的特征点在高维空间的流形分布；

通过自组织映射，对提取到的所述输入图像的特征图进行聚类，构建流形分布子空间；

构建用于图像分类的单纯形神经元，基于所述单纯形神经元对通过自组织映射聚类后的不同流形分布子空间进行覆盖学习，得到用于图像分类的单纯形神经网络模型。

2.根据权利要求1所述的单纯形神经网络的构建方法，其特征在于，所述单纯形神经元以线段、三角形或四面体为基础形状，通过形状的扭曲变换和叠加构建多种复杂的几何形体。

3.根据权利要求1所述的单纯形神经网络的构建方法，其特征在于，所述并行卷积组包括VGG、ResNet、Densenet和Xception结构。

4.根据权利要求1所述的单纯形神经网络的构建方法，其特征在于，所述自组织映射是基于多种距离度量方式进行无监督聚类，所述度量方式包括欧氏距离和余弦距离。

5.根据权利要求1所述的单纯形神经网络的构建方法，其特征在于，所述构建用于图像分类的单纯形神经元包括：

默认一个簇为一个独立的分布，计算各自空间中各样本间的距离，选择两两距离之和最大的n个样本对n维单纯形的n个顶点进行初始化，即得到单纯形神经元的n个核；

计算每个簇中样本点到单纯形距离的标准差，以便对超球半径进行初始化；

对单纯形和超球进行膨胀积即得到初始化的单纯形神经元。

6.根据权利要求5所述的单纯形神经网络的构建方法，其特征在于，计算每个簇中样本点到单纯形距离的计算公式如下：

d＝||x-q₀||；

其中，d为所述样本点到单纯形的距离，||·||代表欧氏距离或余弦距离，x为样本点；q₀为单纯形内距离x最近的点；

所述单纯形神经元的输出为：

其中，r为超球的半径，所述超球表征为标准差为r的高斯分布。

7.根据权利要求1所述的单纯形神经网络的构建方法，其特征在于，所述覆盖学习采用覆盖比损失和分类准确率损失指导网络参数学习；

所述覆盖比损失以学习完善的RBF神经元体积为参照，控制单纯形神经元的体积。

8.根据权利要求7所述的单纯形神经网络的构建方法，其特征在于，所述覆盖比损失的计算公式如下：

其中，v_simplex为单纯形神经元的体积，v_rbf为学习完善的RBF神经元的体积。

9.根据权利要求1所述的单纯形神经网络的构建方法，其特征在于，所述方法还包括对已学习的单纯形深度神经网络模型，采用待分类图像进行测试；测试过程包括：

基于已学习的单纯形深度神经网络模型，对待分类图像进行非线性映射，得到所述待分类图像在该模型下的得分值；

将所述得分值与预设阈值进行比较，以确定所述待分类图像的类别。

10.一种用于图像分类的单纯形神经网络的构建装置，其特征在于，包括：

特征提取模块，用于对输入图像进行特征提取，通过若干并行卷积组提取得到所述输入图像的特征图，挖掘所述特征图的特征点在高维空间的流形分布；

聚类模块，通过自组织映射，对提取到的所述输入图像的特征图进行聚类，构建流形分布子空间；

学习模块，构建用于图像分类的单纯形神经元，基于所述单纯形神经元对通过自组织映射聚类后的不同流形分布子空间进行覆盖学习，得到用于图像分类的单纯形神经网络模型。