基于提升方案深度神经网络的图像分类方法技术

本发明专利技术涉及一种基于提升方案深度神经网络的图像分类方法。本发明专利技术结合了提升方案和卷积神经网络的优点，利用提升方案的特有优势改进基于卷积的神经网络模型。在神经网络中引入提升方案以取代卷积层作为新的特征提取器，一方面为神经网络带来了整数变换、运算加速、无需辅存等优点，另一方面非线性提升方案算子的引入增强了特征的表达能力，能够更好地保留图像的原始信息，在数字图像和遥感图像的分类准确率上均有提升。

Image classification method based on depth neural network of lifting scheme

【技术实现步骤摘要】
基于提升方案深度神经网络的图像分类方法
本专利技术属于图像处理
，特别涉及一种基于提升方案深度神经网络的图像分类方法。
技术介绍
图像分类是计算机视觉领域中重要的研究主题，其目标是将不同的图像划分到不同的类别并降低分类误差。图像分类是计算机视觉领域中的基础任务，其研究对于其他图像处理任务如目标检测、图像分割等都具有重要的意义。近年来，深度学习逐渐成为图像处理的发展主流。其中，卷积神经网络无须手工提取特征便能在训练中自动完成特征的提取和抽象，在图像分类、图像识别、物体检测、语义分割等应用上均表现突出，因而在计算机视觉领域占有重要地位。卷积层通过输入信号与卷积核的卷积操作为网络的提取图像特征，是卷积神经网络的核心模块。由于具有局部连接和权值共享特性，卷积层实现了参数量减少、训练复杂度大大降低、过拟合减轻等优良效果，并赋予了网络平移不变性。但是，卷积操作的线性特性制约了所提取特征的表达能力，而卷积操作的运算量之大也制约了网络在算力有限的移动平台上的应用。卷积操作同样是小波变换的核心操作。离散小波变换因具有多分辨、时频局部化、紧致本文档来自技高网...

【技术保护点】
1.基于提升方案深度神经网络的图像分类方法，其特征在于，包括如下步骤：/n步骤1，准备待分类图像数据集，实现方式如下：/n准备一个含有M张图像的数据集D，将数据集D分成两个不重叠的子数据集D

【技术特征摘要】
1.基于提升方案深度神经网络的图像分类方法，其特征在于，包括如下步骤：
步骤1，准备待分类图像数据集，实现方式如下：
准备一个含有M张图像的数据集D，将数据集D分成两个不重叠的子数据集Dtrain,Dtest，分别用于训练和测试，所有数据集图像的大小为n×n像素；
步骤2，以提升方案模块为基础构建特征提取基本模块，然后构建基于提升方案的深度神经网络，具体实现方式如下，
其中特征提取基本模块用于实现原图像的特征提取和降采样，包含以下子步骤：
步骤2.1，将原图像输入3×3卷积层实现通道数变换和降采样；
步骤2.2，批归一化处理和ReLU激活；
步骤2.3，经过非线性提升方案模块进行特征提取；
步骤2.4，批归一化处理和ReLU激活；
步骤2.5，使用一层1×1卷积层增强通道间的联系表示；
步骤2.6，输入图像的恒等映射与上述步骤的输出进行短径连接；
步骤2.7，使用ReLU激活；
其中，提升方案模块的处理包括以下3个步骤：
(1)分裂：将原图像x逐行分为两个图像子集合，记为xe和xo，其处理公式为
xe[i,j]＝x[i,j],xo[i]＝x[i+1,j+1]
其中x[i,j]表示图像x中第i行、第j列的元素；(1)
(2)预测：利用xe来预测xo，其处理公式为
xo＝xo-N{Pconv(xe)}(2)
式(2)中，Pconv(·)表示预测步骤中的普通卷积运算，N{·}表示预测步骤中的非线性函数；
(3)更新：利用步骤(2)中得到的xo来更新xe，其处理公式为
xe＝xe-M{Uconv(xo)}(3)
式(3)中，Uconv(·)表示更新步骤中的普通卷积运算，M{·}表示更新步骤中的非线性函数；
构建基于提升方案的深度神经网络，该网络的具体结构如下：
输入层：输入数据为n×n像素的图像；
LS1：该层为提升方案模块；
C1：该层为卷积层；
M1：该层为3个特征提取基本模块的堆叠；
M2：该层为4个特征提取基本模块的堆叠；
M3：该层为6个特征提取基本模块的堆叠；<...

【专利技术属性】
技术研发人员：何楚，石紫珊，何博琨，张清怡，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42