[发明专利]一种基于二值神经网络的图像分类方法及系统

权利要求书

1.一种基于二值神经网络的图像分类方法，其特征在于，包括

步骤1、构建包括特征扩增层、二值卷积层、激活层和分段缩放层的神经网络模块，并通过堆叠该神经网络模块构建二值神经网络。

步骤2、获取已经标记图像类别标签的图像作为训练数据，将该训练数据的浮点特征图输入至该二值神经网络中第一个模块的特征扩增层，以扩增该浮点特征图的通道数，得到扩增特征图，将该扩增特征图转换为二值特征图后输入至该卷积层，得到该二值特征图的卷积特征图，卷积特征图经归一化处理后输入至该分段缩放层，通过该分段缩放层的缩放因子调整模块输出的浮点特征图，并将该结果作为输入传递给下一个神经网络模块，将最后一个神经网络模块得到的该训练数据的图像类别作为训练结果。

步骤3、基于该训练结果和该图像类别标签构建损失函数，迭代训练该二值神经网络，直到该损失函数收敛或达到预设迭代次数，保存当前二值神经网络作为图像分类模型，将待分类图像输入至该图像分类模型，得到该待分类图像的图像类别。

2.如权利要求1所述的基于二值神经网络的图像分类方法，其特征在于，该步骤2包括：使用符号函数将该扩增后特征图转换为二值特征图。

3.如权利要求1所述的基于二值神经网络的图像分类方法，其特征在于，该特征扩增层使用对激活值加偏移量的方式对该浮点特征图的通道数进行扩增。

4.如权利要求1所述的基于二值神经网络的图像分类方法，其特征在于，该特征扩增层使用卷积的方式对该浮点特征图的通道数进行扩增。

5.一种基于二值神经网络的图像分类系统，其特征在于，包括

模块1，用于构建包括特征扩增层、二值卷积层、激活层和分段缩放层的神经网络模块，并通过堆叠该神经网络模块构建二值神经网络。

模块2，用于获取已经标记图像类别标签的图像作为训练数据，将该训练数据的浮点特征图输入至该二值神经网络中第一个模块的特征扩增层，以扩增该浮点特征图的通道数，得到扩增特征图，将该扩增特征图转换为二值特征图后输入至该卷积层，得到该二值特征图的卷积特征图，卷积特征图经归一化处理后输入至该分段缩放层，通过该分段缩放层的缩放因子调整模块输出的浮点特征图，并将该结果作为输入传递给下一个神经网络模块，将最后一个神经网络模块得到的该训练数据的图像类别作为训练结果。

模块3，用于基于该训练结果和该图像类别标签构建损失函数，迭代训练该二值神经网络，直到该损失函数收敛或达到预设迭代次数，保存当前二值神经网络作为图像分类模型，将待分类图像输入至该图像分类模型，得到该待分类图像的图像类别。

6.如权利要求5所述的基于二值神经网络的图像分类系统，其特征在于，该模块2包括：使用符号函数将该扩增后特征图转换为二值特征图。

7.如权利要求5所述的基于二值神经网络的图像分类系统，其特征在于，该特征扩增层使用对激活值加偏移量的方式对该浮点特征图的通道数进行扩增。

8.如权利要求5所述的基于二值神经网络的图像分类系统，其特征在于，该特征扩增层使用卷积的方式对该浮点特征图的通道数进行扩增。