The invention provides an image feature extraction and training method based on three-dimensional convolution neural network, which comprises the following steps: step 1, normalizing the input image of feature submission; step 2, constructing a three-dimensional convolution neural network including convolution layer, activation layer, pooling layer, full connection layer and output layer; Step 3, after training the three-dimensional convolution neural network, the optimized three-dimensional convolution neural network is obtained, and the input image is extracted to complete the classification and recognition of the input image. Three-dimensional convolution neural network is used to extract and recognize the features of three-dimensional images. The three-dimensional convolution neural network is directly used to convolute the three-dimensional images and extract the three-dimensional spatial features of the images. It can effectively express the feature patterns of three-dimensional images, thus achieving the purpose of image classification and recognition.
【技术实现步骤摘要】
一种基于三维卷积神经网络的图像特征提取与训练方法
本专利技术属于图像识别与深度学习领域,涉及三维图像特征提取与识别,具体为一种基于三维卷积神经网络的图像特征提取与训练方法。
技术介绍
图像识别是计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。现已应用到工业安防、生活、教育等各个方面。图像识别是人工智能的一个重要领域,为了教会计算机像人类一样进行图像识别,人们提出了很多的图像识别方法。传统的识别过程包括图像预处理、图像分割、特征提取和判断匹配。因此,在每一中间步骤都有大量不同的算法,并且每一中间步骤都影响着最后的识别率的高低。近年来,深度学习新理论的出现,加上计算机硬件的巨大进步以及大数据的产生,深度学习在图像、语音识别等领域取得了巨大的进步。深度学习源于人工神经网络的研究,属于机器学习中的一个领域,它的“深”在于具有更多的层次,从而能表达更深的特征。深度学习以更加接近于人脑的机制、通过多层复杂的非线性模型来对数据进行表达和抽象。使用深度学习进行图像识别的优点不仅在于其越来越接近于人类的识别准确率,而且不需要图像预处理、图像分割等预处理或中间过程,即直接输入原始的图像,把深度学习算法当作一个黑箱子,一次性的完成某些预处理、特征提取及识别过程。然而目前的深度学习算模型大多是针对二维图像的,如二维的卷积神经网络(ConvolutionalNeuralNetwork,CNN)。然而现实世界的图像并不总是二维的,如建筑模型图像、3D打印模型、人体的大脑和肺部等图像均是一个三维的扫描图像。针对于这些三维图像,目前的解决方式是将某一维的所有图像进 ...
【技术保护点】
1.一种基于三维卷积神经网络的图像特征提取与训练方法,其特征在于,包括如下步骤,步骤1,将进行特征提交的输入图像进行尺寸的归一化处理;步骤2,构建包括卷积层、激活层、池化层、全连接层和输出层的三维卷积神经网络;步骤2.1,通过将输入图像中若干张连续的图像堆叠成为一个立体图像的立方体,然后在这个立方体里通过如下三维卷积层对连续的多张图像进行加权求和的卷积操作,以提取图像的初级特征,得到初级特征图;
【技术特征摘要】
1.一种基于三维卷积神经网络的图像特征提取与训练方法,其特征在于,包括如下步骤,步骤1,将进行特征提交的输入图像进行尺寸的归一化处理;步骤2,构建包括卷积层、激活层、池化层、全连接层和输出层的三维卷积神经网络;步骤2.1,通过将输入图像中若干张连续的图像堆叠成为一个立体图像的立方体,然后在这个立方体里通过如下三维卷积层对连续的多张图像进行加权求和的卷积操作,以提取图像的初级特征,得到初级特征图;其中,O是第j层图像对应的第n个特征块的(x,y,z)处的输出,σ为激活函数,是i层图像的m个特征块和是j层图像的n个特征块之间的权重,Iim(x+p,y+q,z+r)是第i层图像到j层图像的输入,bjn为共享的偏置,p,q,r为x,y,z三个方向的采样步长;i和j为相邻两层的序号;步骤2.2,通过激活层对初级特征图添加非线性特征;步骤2.3,通过池化层来降低添加非线性特征的初级特征图的维度大小;步骤2.4,通过全连接层对池化层处理过的初级特征图提取高级特征,得到高级特征图;步骤2.5,通过输出层中的Softmax分类器将高级特征转化为激活概率,得到三维卷积神经网络的输出,完成三维卷积神经网络的构建;步骤3,对构建的三维卷积神经网络进行训练后得到优化的三维卷积神经网络,进行对输入图像进行特征提取,完成输入图像的分类识别。2.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法,其特征在于,对输入图像依次进行步骤2.1到2.3的多次堆叠,执行多次堆叠时,卷积层的核心数逐次增加。3.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法,其特征在于,步骤2.2中,通过在激活层中采用...
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。