基于卷积神经网络的Logo图像分类方法技术

本发明专利技术公开了一种基于卷积神经网络的Logo图像分类的方法，包括：利用卷积神经网络中的卷积操作来自动提取Logo图像特征，能够捕捉图像中区域的位置偏移，并挖掘Logo图像的深层信息。利用卷积神经网络中的池化操作，能够基于图像局部相关性的原理，对图像进行子抽样，进一步保证了一定程度上的形变和尺度不变形，降低了计算的复杂度。最后，利用卷积神经网络中的dropout正则化技术，缓解过拟合的发生，提高了Logo图像分类的效果。本发明专利技术的技术方案保证了图像深度特征提取的效果，弥补了基于传统的图像分类方法在Logo分类方面的不足，提高了分类结果的准确性，并且能够极大提高Logo图像分类算法的运行速度。

【技术实现步骤摘要】
基于卷积神经网络的Logo图像分类方法
：本专利技术涉及自然图像处理领域，尤其涉及一种基于卷积神经网络的Logo图像分类的方法。
技术介绍
：图像中的Logo作为主题形象标志，在市场中对产品有着非常重要的意义。Logo图像分类是计算机视觉、图像分析和模式识别领域中的一个具有实际应用价值的研究，通常用来解决侵权检测、产品推荐以及商标识别等问题，在版权纠纷、社交媒体和智能交通等领域具有广泛的应用。Logo图像分类问题通常可以分解为图像中Logo的特征提取，以及识别和分类问题。传统方法中为了解决Logo图像分类的问题，通常通过基于关键点的特征检测器和描述子提取器进行Logo的识别和分类。该方法能够解决一些简单Logo图像分类问题，算法实现相对容易，但由于实际情况中获取的Logo图像存在背景复杂、尺度不一、数据量大、形变和遮挡等的问题，传统的Logo图像分类方法仍然面临速度慢、准确率低等众多难题。卷积神经网络是图像处理领域的研究热点，能够自动提取图像特征，同时进行图像分类。相对于标准神经网络，卷积神经网络能够实现参数共享以及连接的稀疏性本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的Logo图像分类方法，其特征是，包括以下步骤：/n步骤1：根据Logo图像分类需求，构建基于卷积神经网络的用于分类的网络计算模型，所述模型包括卷积层、池化层、全连接层。/n步骤2：将数据集中的样本划分训练样本和测试样本；/n步骤3：将具有已知标记的训练样本送入卷积神经网络，进行前向传播，获得输出结果；/n步骤4：根据训练过程中的输出结果与已知标记之间的差异进行反向传播，进而更新修正卷积神经网络中各层的参数；/n步骤5：判断是否满足预定条件：若满足则训练结束，保存模型并输出训练结果；若不满足，则继续进行训练；/n步骤6：将测试样本即待分类对象送入训练完成后的卷积神经网络...

【技术特征摘要】
1.一种基于卷积神经网络的Logo图像分类方法，其特征是，包括以下步骤：
步骤1：根据Logo图像分类需求，构建基于卷积神经网络的用于分类的网络计算模型，所述模型包括卷积层、池化层、全连接层。
步骤2：将数据集中的样本划分训练样本和测试样本；
步骤3：将具有已知标记的训练样本送入卷积神经网络，进行前向传播，获得输出结果；
步骤4：根据训练过程中的输出结果与已知标记之间的差异进行反向传播，进而更新修正卷积神经网络中各层的参数；
步骤5：判断是否满足预定条件：若满足则训练结束，保存模型并输出训练结果；若不满足，则继续进行训练；
步骤6：将测试样本即待分类对象送入训练完成后的卷积神经网络，进行前向传播，获得输出结果；
步骤7：根据测试过程中的输出结果对待分类对象进行分类；
步骤8：分类图像与分类精度的结果展示。


2.如权利要求1所述的基于卷积神经网络的Logo图像分类方法，其特征是，所述步骤1中用于构建用于汽车Logo图像分类的卷积神经网络模型包括依次连接的卷积层C1(ReLU)、池化层P1、卷积层C2(ReLU)、池化层P2、卷积层C3(ReLU)、池化层P3、全连接层FC7、全连接层FC8(softmax)。
所述步骤1中用于构建用于服饰Logo图像分类的卷积神经网络模型包括依次连接的卷积层C1(ReLU)、池化层P1、卷积层C2(ReLU)、池化层P2、卷积层C3(ReLU)、卷积层C4(ReLU)、卷积层C5(ReLU)、卷积层C6(ReLU)、池化层P6、全连接层FC10、全连接层FC11、全连接层FC12(softmax)。
进一步地，对Logo图像分类的卷积神经网络初始化函数为Xavier，损失函数为交叉熵函数，优化器为Adam，学习率为0.002。
所述步骤2中用于汽车Logo图像分类的公共数据集共20...

【专利技术属性】
技术研发人员：范小军，郑元杰，连剑，陈鑫，
申请(专利权)人：上海吴塘科技有限公司，
类型：发明
国别省市：上海;31