【技术实现步骤摘要】
一种联合热图特征回归的基于CNN特征提取网络的联合图像分类方法
本专利技术涉及图像处理
，尤其涉及一种以具有热图特征分布的基于CNN的特征提取网络为主，特征热图回归网络为辅的联合图像分类方法。
技术介绍
一般而言，典型的卷积神经网络主要包括卷积层、池化层和全连接层。其中卷积层与池化层配合组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类，而池化层主要是进行数据降维。MesoNet的中文译名即“袖珍网络”，其特点是网络参数少且在训练轮次较少的情况下可以达到较高的精度，但是稳定性和泛化能力稍弱。将其前面三层典型传统卷积层替换为两层Inception层之后，训练速度虽稍微减缓但结果却更加稳定，也达到了更高的精度，此时的网络称为MesoNet_InceptionV4。Inception的主要特点是更好地利用网络内部的计算资源，这通过一个精心制作的设计来实现，即该设计允许增加网络的深度和宽度，同时保持计算预算不变。为了优化质量，架构决策基于赫布原则和多尺度处理。在同一层级上运行具备多个尺寸的滤波...
【技术保护点】
1.一种联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，包括以下步骤：/nS1、获取待分类的真假图像，并进行图像预处理；/nS2、构建具有热图特征分布的基于CNN的特征提取分类网络模型，利用步骤S1中预处理后的训练集图像对模型进行训练，得到第一预测结果；/nS3、构建特征热图回归网络模型，利用步骤S1中预处理后的训练集图像及步骤S2得到的特征图像对模型进行训练，得到第二预测结果；/nS4、构建联合回归网络模型，将步骤S2得到的第一预测结果与步骤S3得到的第二预测结果进行拼接，并经过联合回归网络模型计算最终预测概率；/nS5、采用二分类交叉熵损失函数对...
【技术特征摘要】
1.一种联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，包括以下步骤：
S1、获取待分类的真假图像，并进行图像预处理；
S2、构建具有热图特征分布的基于CNN的特征提取分类网络模型，利用步骤S1中预处理后的训练集图像对模型进行训练，得到第一预测结果；
S3、构建特征热图回归网络模型，利用步骤S1中预处理后的训练集图像及步骤S2得到的特征图像对模型进行训练，得到第二预测结果；
S4、构建联合回归网络模型，将步骤S2得到的第一预测结果与步骤S3得到的第二预测结果进行拼接，并经过联合回归网络模型计算最终预测概率；
S5、采用二分类交叉熵损失函数对步骤S4得到的最终预测概率与真实标签之间进行距离衡量，输出分类结果。
2.如权利要求1所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述步骤S2具体为：
利用步骤S1中预处理后的训练集图像对构建的具有热图特征分布的基于CNN的特征提取分类网络模型进行训练，学习真假图像之间的图像特征信息，将输入的图像转换为特征图像输出至特征热图回归网络，同时将特征图像经过具有热图特征的分类网络的第一全连接层和第二全连接层后，再经过softmax层输出得到第一预测结果。
3.如权利要求2所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述具有热图特征分布的基于CNN的特征提取分类网络模型在输入图像信息后设置有ReSize层，所述ReSize层用于将图片缩放为适用于后期映射神经元特征值的尺寸。
4.如权利要求3所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述具有热图特征分布的基于CNN的特征提取分类网络模型中前三组卷积层、Rule层、批标准化层和最大池化层替换为两组Inception层，其中每组Inception层包括七个并行的卷积层与一个批标准化层。
5.如权...
【专利技术属性】
技术研发人员：陈波，邓媛丹，吴思璠，冯婷婷，张勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
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。