一种基于样条卷积神经网络的图像分类方法技术

本发明专利技术提出了一种基于样条卷积神经网络的图像分类方法，其主要内容包括：样条卷积神经网络、通用计算图形处理器算法，其过程为，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由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，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。本发明专利技术提出一种新型的可训练卷积运算符，卷积滤波器在空间域中运行并聚合局部特征，应用可训练的连续核函数，通过可训练的B样条控制值进行参数化，能快速进行训练和推理，简化了图像分类过程，同时也提高了分类的准确性。

【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时的应用和设备中。本专利技术提出了一种基于样条卷积神经网络的图像分类方法，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由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，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。本专利技术提出一种新型的可训练卷积运算符，卷积滤波器在空间域中运行并聚合局部特征，应用可训练的连续核函数，通过可训练的B样条控制值进行参数化，能快速进行训练和推理，简化了图像分类过程，同时也提高了分类的准确性。
技术实现思路
针对图像分类网络中的计算复杂和内存消耗的问题，本专利技术提出了一种基于样条卷积神经网络的图像分类方法，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由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，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。为解决上述问题，本专利技术提出一种基于样条卷积神经网络的图像分类方法，其主要内容包括：(一)样条卷积神经网络；(二)通用计算图形处理器算法。其中，所述的样条卷积神经网络，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。进一步地，所述的预训练，训练过程如下：(1)在卷积算子中输入一个定向图其中ν表示节点集合且ν＝{1,…,N}，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i∈v，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{fι(i)|i∈v}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。进一步地，所述的节点特征，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v,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，v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。进一步地，所述的卷积运算符，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gl的范围，ai和bi的值取决于于B样条的角度m和内核大小(k1,…,kd)，然后缩放空间关系向量u(i,j)以精确匹配这个区间，给定内核函数和输入节点特征f，节点i的空间卷积运算符定义为：与传统的卷积神经网络类似，卷积运算符作为深度神经网络结构中的一个模块，在样条CNN中进行计算，操作符在具有不同可训练参数的相同输入数据上应用Mout相乘，用来产生Mout输出特征图的卷积层。进一步地，所述的局部支持，由于B样条的局部支持性质，在K个不同的向量中，当s:＝(m+1)d时，Bp≠0；每个邻域j中，gl(u)取决于可训练参数Min·K中的Min·s，其中s,d,m是很小的常数，对于每对节点(i,j)∈ε，给定常数m和d，可以在恒定时间内找到Bp≠0的向量用表示这个向量，卷积运算符的内部总和通过以下等式给定：由于操作的时间复杂性，K可以被s代替，Bp(u(i,j))不受l的限制，因此可以计算所有输入特征。进一步地，所述的B样条，根据向量u中的坐标类型，当u包含极坐标的角度属性时，在角度维度上使用封闭B样条的近似值，令角度0与角度2π具有相同的权重，修改所提出的内核，将不同的映射到相同的可训练控制值ωp,l中，在d维度的任意子集中使用封闭近似值，使可训练参数和B样条基函数减少。进一步地，所述的节点，网络没有考虑卷积算子中邻域的节点i，在传统的卷积神经网络，它没有与一起被聚合，使用笛卡尔坐标定义令包含i，为根节点的每个特征引入一个额外的可训练参数，并将该参数的乘积和相应的特征附加到结果上，除归一化因子外，基于样条的卷积算子CNN卷积层中泛化，假设有一个具有对角线的二维网格，采用水平边缘和垂直边缘作为输入，则在B样条函数中m＝1，内核大小为(3,3)，向量u中包含直角坐标系相邻节点之间的关系，则卷积算子相当于一个内核尺寸为3×3的图像离散卷积。其中，所述的通用计算图形处理器算法，算法包括计算B样条基函数和小批量处理两个部分，首先使用每个边缘的目标节点作为索引，在输入矩阵中收集边缘，输入特征实现边缘ε上的平行化，然后计算边缘级联的输出特征把它们分散添加到节点特征执行邻域聚合，通过计算矩阵和来实现可训练权重的独立性，P包含Bp≠0的参数索引，而B包含这些参数的基本结果BP，B本文档来自技高网...

【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