一种基于注意力机制的脉冲卷积神经网络的图像分类方法技术

本发明专利技术公开一种基于注意力机制的脉冲卷积神经网络的图像分类方法，其特征在于，具体的步骤为：步骤1，下载数据集；步骤2，对数据集进行预处理，得到预处理数据集；步骤3，建立脉冲卷积神经网络模型，所述脉冲卷积神经网络模型采用漏积分点火神经元模型；步骤4，采用所述脉冲卷积神经网络模型对预处理数据集进行训练，得到训练好的脉冲卷积神经网络模型；步骤5，输入待分类的图片，采用训练好的脉冲卷积神经网络模型对待分类进行分类，得到分类结果。本发明专利技术解决了现有技术中存在的图片分类效果不好的问题。

【技术实现步骤摘要】
一种基于注意力机制的脉冲卷积神经网络的图像分类方法
本专利技术属于图像分类
，涉及一种基于注意力机制的脉冲卷积神经网络的图像分类方法。
技术介绍
视觉注意力机制是人类视觉所特有的大脑信号处理机制。大脑在进行视觉任务时，总是会优先获取认为有用的信息，而将次要的内容直接抛弃。注意力机制具有使神经网络只专注于选择特定的特征输入的能力。应用注意力机制，可以提高神经网络信息处理的效率和准确率。目前注意力机制在深度学习领域应用广泛且取得了不错的效果。图像分类是计算机视觉领域的基本研究问题，对图像分类的研究具有广泛的应用价值。传统图像分类技术需要消耗大量时间来进行人工特征的提取，算法的效率低下。随着计算机计算能力的提升，GPU加速技术的发展，深度卷积神经网络在图像分类问题上取得了质的飞跃。但由于卷积神经网络深度和复杂度的不断提高，需要大量的计算成本和存储需求，导致卷积神经网络在处理图像问题上功耗往往比较高，阻碍了卷积神经网络在实际应用上的发展。虽然已有许多研究通过改进网络优化算法，提高了参数的寻优能力，但也无法在不丢失大量精度的前提下降低网络参本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的脉冲卷积神经网络的图像分类方法，其特征在于，具体的步骤为：/n步骤1，下载数据集；/n步骤2，对数据集进行预处理，得到预处理数据集；/n步骤3，建立脉冲卷积神经网络模型，所述脉冲卷积神经网络模型的拓扑结构为依次连接的输入层、高斯差分时序编码层、第一脉冲卷积注意力层、第一脉冲池化层、第二脉冲卷积注意力层、第二脉冲池化层、分类层；所述脉冲卷积神经网络模型采用漏积分点火神经元模型；/n步骤4，采用所述脉冲卷积神经网络模型对预处理数据集进行训练，得到训练好的脉冲卷积神经网络模型；/n步骤5，输入待分类的图片，采用训练好的脉冲卷积神经网络模型对待分类进行分类，得到分类结果。/n

【技术特征摘要】
1.一种基于注意力机制的脉冲卷积神经网络的图像分类方法，其特征在于，具体的步骤为：
步骤1，下载数据集；
步骤2，对数据集进行预处理，得到预处理数据集；
步骤3，建立脉冲卷积神经网络模型，所述脉冲卷积神经网络模型的拓扑结构为依次连接的输入层、高斯差分时序编码层、第一脉冲卷积注意力层、第一脉冲池化层、第二脉冲卷积注意力层、第二脉冲池化层、分类层；所述脉冲卷积神经网络模型采用漏积分点火神经元模型；
步骤4，采用所述脉冲卷积神经网络模型对预处理数据集进行训练，得到训练好的脉冲卷积神经网络模型；
步骤5，输入待分类的图片，采用训练好的脉冲卷积神经网络模型对待分类进行分类，得到分类结果。


2.如权利要求1所述的一种基于注意力机制的脉冲卷积神经网络的图像分类方法，其特征在于，所述漏积分点火神经元模型中膜电位Vm(t)的变化过程由一个一阶微分方程描述，如公式(1)所示：



其中，Vm(t)表示神经元的膜电位，VrestVrest是静息电位，时间常数τm是膜电阻Rm和膜电容Cm的乘积，I(t)是突触后神经元的输入电流；当突触后膜电位Vm(t)超过阈值电位Vthres时，突触后神经元发放脉冲，膜电位恢复至静息电位，之后神经元进入不应期，不会再产生脉冲。


3.如权利要求1所述的一种基于注意力机制的脉冲卷积神经网络...

【专利技术属性】
技术研发人员：赵雪青，张军军，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61