一种基于样条卷积神经网络的图像分类方法技术
【技术实现步骤摘要】
一种基于样条卷积神经网络的图像分类方法
本专利技术涉及图像分类领域，尤其是涉及了一种基于样条卷积神经网络的图像分类方法。
技术介绍
图像分类是根据图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法，卷积神经网络是深度学习算法中的一种，具有结构简单、适应性强、训练参数少而连接多等特点，近年来被广泛应用在图像分类处理等领域。具体地，在军事领域，随着数据量的增加和目标相似性的提高，可以在大规模的数据集以及战场上复杂场景中对各类军事目标进行高精度的图像分类识别。另外，利用图像特征提取和分类等步骤识别医学影像，通过大量准确标注的照片和医学数据，对模型进行训练和测试，并且通过大量医学知识的学习，最终建立能准确识别医学影像的人工智能模型，从而辅助医生进行诊断。而在交通领域，可以通过交通监控视频中的信息，提取车辆的不同轮廓，对道路上的车辆进行分类，实时监控道路情况，一旦违规车型进入限行道路，便生成车辆信息，以便交警采取相应措施。虽然基于卷积神经网络的模型及其变体提高了图像分类的结果，但是，高性能的卷积神经网络往往具有很大的计算复杂度和内存消耗，人们很难将其投入到实...
【技术保护点】
一种基于样条卷积神经网络的图像分类方法，其特征在于，主要包括样条卷积神经网络(一)；通用计算图形处理器算法(二)。
【技术特征摘要】
1.一种基于样条卷积神经网络的图像分类方法，其特征在于，主要包括样条卷积神经网络(一)；通用计算图形处理器算法(二)。2.基于权利要求1所述的样条卷积神经网络(一)，其特征在于，样条卷积神经网络(样条CNN)使用一种新型样条卷积层构建深度神经网络，卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，样条CNN由以下三个部分组成：预训练、节点特征和卷积运算符。3.基于权利要求2所述的预训练，其特征在于，训练过程如下：(1)在卷积算子中输入一个定向图其中表示节点集合且ε是边缘集合，U是d维度中的相邻矩阵，U∈[0,1]N×N×d包含d维度的伪坐标u(i,j)，且u(i,j)∈[0,1]d，该坐标来自每个定向边缘(i,j)∈ε；(2)U是d维度上的相邻矩阵，通过u(i,j)∈[0,1]d进行归一化，如果(i,j)∈ε，则U＝0，当E＝|ε|＜＜N2时，U是一个稀疏矩阵，对于节点其邻域集合用N(i)表示；(3)在网络中输入节点特征：令其中表示每个节点在Min位置的输入特征向量，且1≤l≤Min，将集合作为输入特征映射；(4)除了输入图形和节点特征外，B样条基函数为：令表示在角度m处的B样条基础，在等距离的结点向量上，k＝(k1,…,kd)定义了d维度的内核大小。4.基于权利要求2所述的节点特征，其特征在于，卷积运算符集合局部区域的节点特征，其权重是可训练的、连续的核函数，节点特征f(i)表示不规则几何结构上的特征，其空间关系由U中的伪坐标定义，当在节点的邻域中局部聚合特征值时，采用U的内容来确定特征的聚合方式，f(i)定义聚合内容；在图形中，给定ε和U，它们包含边缘权重或者目标节点的角度特征；在离散流形，包含离散流中的点，ε代表局部欧几里德邻域中的连通性，U包含局部关系信息，例如目标点相对于每个边缘原点的极坐标、球坐标或笛卡尔坐标等，U的值没有具体限制。5.基于权利要求2所述的卷积运算符，其特征在于，使用B样条的连续内核函数，通过一个用常数表示的可训练控制值进行参数化，B样条基函数的局部支持性质将基函数在已知区间外的所有输入值定义为零：(1)从B样条基函数的笛卡尔乘积中导出每个元素p的可训练参数ωp,l，ωp,l∈W，在每一个Min位置输入特征映射，由l索引并计算出训练参数K，其中(2)将连续卷积内核定义为一个函数：通过以下等式给定：其中Bp是p中基函数的乘积，通过以下等式给定：将可训练参数ωp,l作为d+1维度上B样条曲线的高度控制值，每一个相邻的点j的权重取决于u(i,j)，与传统d+1维度上的B样条相比，样条CNN只有一维控制点和近似函数，因此用近似函数代替B样条曲线，在B样条基函数的统一性划分区间中定义...
【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。