【技术实现步骤摘要】
基于空间变换网络和卷积神经网络的图像分类方法
[0001]本专利技术涉及图像处理
，具体涉及基于空间变换网络和卷积神经网络的图像分类方法。
技术介绍
[0002]目前，计算机视觉是深度学习领域最热门的研究领域之一，而视觉识别是计算机视觉的关键组成部分，如图像分类、定位和检测；神经网络和深度学习的最新进展极大地推动了这些最先进的视觉识别系统的发展；目前较为流行的图像分类架构是卷积神经网络，其已经被证明能够训练一个能力强大的分类模型，通过将图像送入网络，然后网络对图像数据进行分类。
[0003]近年来，计算机视觉发展迅速，图像分类是计算机视觉领域核心问题之一，基于深度学习和卷积神经网络的方法可以通过自动提取和自我学习特征在图像分类方面取得了较大的突破。现有技术提出的图像分类方法通常网络结构复杂，需要庞大的数据库对所提出的网络模型进行训练，对于某些有效训练数据少的领域的分类任务还可能存在过拟合的问题，且无法满足特定领域对图像分类精度和速度的要求。
技术实现思路
[0004]本专利技术所要解决的技术问题...
【技术保护点】
【技术特征摘要】
1.基于空间变换网络和卷积神经网络的图像分类方法，其特征在于，包括以下步骤：从训练集中提取图像，对该图像进行空间变换处理，得到两个子图像；分别将两个所述子图像输入卷积神经网络，得到两个子图像预测值；根据两个所述子图像预测值的算数平均值和图像标签值的差值，以及两个所述子图像预测值的差值建立损失函数，对空间变换
‑
卷积神经网络进行训练；从测试集中提取图像，将该图像输入训练好的空间变换
‑
卷积神经网络中，得到图像测试值；根据所述图像测试值和图像标签值，计算性能指标。2.根据权利要求1所述的基于空间变换网络和卷积神经网络的图像分类方法，其特征在于，对图像进行空间变换处理包括以下步骤：将该图像输入空间变换网络，经所述空间变换网络的隐藏层得到两个空间变换矩阵；分别根据两个所述空间变换矩阵构建采样网络，得到两个空间变换函数；分别根据两个所述空间变换函数对输入空间变换网络的图像进行采样，得到两个子图像。3.根据权利要求1所述的基于空间变换网络和卷积神经网络的图像分类方法，其特征在于，所述损失函数包括:第一损失函数，根据两个所述子图像预测值的算数平均值和图像标签值的差值建立，公式如下：第二损失函数，根据两个所述子图像预测值的差值建立，公式如下：其中，其中，表示图像预测值，即两个子图像预测值的算数平均值；表示第一个子图像的预测值；表示的第二个子图像的预测值；y表示训练集中的图像标签值。4.根据权利要求3所述的基于空间变换网络和卷积神经网络的图像分类方法，其特征在于，所述损失函数还包括第三损失函数，公式如下：其中，表示空间变换矩阵θ1的先验值；表示空间变换矩阵θ2的先验值；表示空间变换矩阵θ1中的元素；表示空间变换矩阵θ2中的元素。5.根据权利要求1所述的基于空间变换网络和卷积神经网络的图像分类方法，其特征在于，所述卷积神经网络包括依次连接的输入层、卷积池化模块和决策器，所述卷积神经网络中的卷积池化模块包括多个，所述卷积池化模块包括依次连接的卷积层、卷积层和池化层；所述决策器包括卷积池化模块和全连接层。
6.根据权...
【专利技术属性】
技术研发人员：阎旭，吕刚，陈茂兴，张荣华，任唯君，
申请(专利权)人：成电创智银川信息科技有限公司，
类型：发明
国别省市：
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。