[发明专利]一种基于塑性卷积神经网络的可扩展类别的图像识别方法

摘要

本发明属于图像识别领域，公开了一种基于塑性卷积神经网络的可扩展类别的图像识别方法。本发明通过构造一个具有元学习的能力的卷积塑性神经网络，并针对应用所需，管理、建立相应的待识别类别库，结合塑性神经网络，利用待识别库作数据支撑，使用循环判定的方法，对输入图片进行识别并返回识别结果。本发明解决了传统的目标识别方法的可识别类别的扩展性的问题，其优势在于当有未知类别需要识别时，只需要将该未知类别的一张或几张图片样本存储至待识别类别库中，而无需重新训练神经网络或调整识别算法，且对于样本的需求量要小于传统方法。

主权项

1.一种基于塑性卷积神经网络的可扩展类别的图像识别方法，其特征在于，包括以下步骤：/n第一步，基于卷积神经网络和塑性神经网络，构造一个具有元学习能力的卷积塑性神经网络，其中，卷积塑性神经网络由11层结构组成，最前和最后分别为输入层和输出层，第2-9层为卷积池化层交替结构组成，第10层为由塑性网络层构造的classification层；卷积塑性神经网络通过对图片数据的学习能够学会如何学习，从而通过一个类别的1张或几张图片就能习得该类别的特征，实现从几个类别中找到与待识别图片最相似的类别；其包含以下两个步骤:/n(1.1)建立一个塑性神经网络用于数据计算；/n(1.2)基于Imagenet开源数据集对(1.1)中的网络进行训练,训练步骤如下：/n(1.2.1)进行参数初始化，将数据集划分为训练集数据和测试集数据；/n(1.2.2)以K-way-N-shot数据结构作为训练集数据的数据结构，其中，K-way表示每次待识别类别的数目，N-shot表示每个待识别类别的样本数目，加上一张待识别图片样本，共K×N+1张图片，每个类别均有一个唯一的标签，共K个编码标签，以上图片和标签作为一组训练数据，64组训练数据为一个batch，以batch为单位使用构造的网络进行计算并更新网络参数，直到完成M个batch；/n(1.2.3)对测试集数据进行测试，当测试准确率大于P时，预训练结束，保存训练好的参数结果，否则返回(1.2.2)直到测试准确率大于P；/n第二步，针对应用所需，管理、建立待识别类别库，当需要对可识别类别进行拓展时只需要进行待识别类别库的管理操作，而无需重新建立和训练神经网络，其具体操作包含以下2个步骤：/n(2.1)建立待识别类别库，在指定存储位置建立待识别类别库；/n(2.2)管理类别库，对于每一个可能的图片类别存入至少一张图片作为样本；/n第三步：使用第一步中的训练结果初始化神经网络，利用待识别库作数据支撑，对输入图片进行识别，并返回最终的识别结果给终端，其中包含以下4个步骤：/n(3.1)网络初始化，加载训练好的参数文件；/n(3.2)从待识别类别库中选取K个类别，每个类别取N张图片与待测图片共K×N+1张图片组成初始测试数据传递给卷积塑性神经网络，由卷积塑性神经网络判断并返回与待识别图片最相似的类别；/n(3.3)从待识别类别库中选取K-1个未参与过测试的类别与上一轮返回的最相似类别组成K个类，且当未测试类别少于K-1个时不足的以空白图片填充，每个类别取N张图片与待测图片共K×N+1张组成新一轮测试数据传递给卷积塑性神经网络，由卷积塑性神经网络判断并返回结果；/n(3.4)判断待识别类别库是否有未参与过判断的，有则返回(3.3)，没有则结束该识别，以最后一轮的识别结果为最终结果，返回给终端。/n