[发明专利]一种图像分类方法及装置

权利要求书

1.一种图像分类方法，其特征在于，所述方法包括：

获取待分类图像的训练集；

选择一个多层的卷积神经网络模型；

对选取层做基于最小-最大Min-Max准则的正则约束，并形成第二卷积神经网络模型，其中，所述选取层为所述卷积神经网络模型中的一层；

使用所述训练集对所述第二卷积神经网络模型进行训练，并生成第三卷积神经网络模型；

使用所述第三卷积神经网络模型对待分类图像的测试集进行分类。

2.根据权利要求1所述的方法，其特征在于，所述选择一个卷积神经网络模型包括：

获取一个mini-batch的训练样本；

根据所述训练样本和目标函数，确定所述卷积神经网络模型；

其中，所述训练样本表示为n表示所述mini-batch的大小，X_i表示原始的输入数据，c_i表示X_i的类别标签，且c_i∈{1,2,…,C}，C表示所述训练集的类别总数；

所述目标函数表示为：

W＝(W⁽¹⁾,…,W^(M)；b⁽¹⁾,…,b^(M))，W表示所述卷积神经网络模型的全部参数，l(W,X_i,c_i)表示训练样本的损失函数，M表示所述卷积神经网络模型的总层数，W^(m)表示所述卷积神经网络模型第m层的权重参数，b^(m)表示所述卷积神经网络模型第m层的偏置参数，m∈{1,2,…,M}中的任意一个值。

3.根据权利要求2所述的方法，其特征在于，所述选择一个卷积神经网络模型之后还包括：

对所述卷积神经网络模型划分层级；

其中，所述划分层级后的卷积神经网络模型的每一层特征的递归表示为：

Xi(m)=f(W(m)*Xi(m-1)+b(m)),]]>

i＝1,2,…,n；m＝1,2,…,M；

其中，表示所述卷积神经网络模型第m层的特征，*表示卷积运算，f(·)表示非线性激活函数。

4.根据权利要求1所述的方法，其特征在于，对选取层做基于Min-Max准则的正则约束之前还包括：获取所述Min-Max准则；

所述获取Min-Max准则包括：

分别获取Min-Max的内在图和惩罚图，所述内在图表征目标流形的内部紧凑性，所述惩罚图表征目标流形之间的间隔；

根据所述内在图和惩罚图，运算得到第k层特征的Min-Max准则，所述第k层为所述选取层；

其中，所述第k层特征的Min-Max准则表示为

L(X^(k),c)＝L₁(X^(k),c)-L₂(X^(k),c)

其中，L₁(X^(k),c)表示所述内在图，L₂(X^(k),c)表示所述惩罚图；X^(k)表示一个mini-batch的训练样本在第k层的特征的集合，表示与所述mini-batch相对应的类别标签集合，i∈{1,2,…,n}。