[发明专利]一种基于空间金字塔的卷积神经网络的图像分类方法

权利要求书

1.一种基于空间金字塔的卷积神经网络的图像分类方法，其特征在于，包括以下步骤：

步骤1：前向传播，具体实现包括以下子步骤：

步骤1.1：建立带M个卷积层、M-1个池化层的前半部分卷积神经网络；

步骤1.2：将M个卷积层分别进行池化，得到M类特征，然后分别将其连接成一个大的特征向量，最后再连接成一个总的特征向量作为图像的最终特征；

步骤1.2中，若步骤1.1中建立的是带有3个卷积层、2个池化层的前半部分卷积神经网络，则将3个卷积层分别进行池化，得到3类特征；步骤1.2的具体实现过程如下：

输入图片后通过卷积核和隐层偏置获得第一个卷积层的特征图，第一层的卷积特征图x¹由如下公式得到；

其中：表示第1个卷积层的第j张特征图，表示输入图片经过预处理后x⁰的第i张图片，n₀表示x⁰图片的张数；表示第1层的第j个二维卷积核，表示第1个隐层第j个特征图的偏置；δ表示sigmiod函数，mp表示得到的为特征图；

n1为第一层的卷积核个数，也是第1个卷积特征图的张数；

将获得的卷积层特征图经过2*2的均匀池化进行下采样，得到行列均为原来一半的特征图v¹；

v¹＝mean-pooling{x¹}；

其中，mean-pooling表示均匀池化

则每一个卷积层的特征图都能通过以下公式得到；

每一个池化层的特征图都能通过以下公式得到；

v^l＝mean-pooling{x^l}；

共计得到3个卷积层的特征图，即x¹,x²,x³，然后将3个卷积层的特征图进行画网格的方式进行特征提取；

将第1个卷积层画分为4*4的网格，然后每个网格通过均匀池化提取一个特征，最终第1个卷积层经过特征提取后成为一个4*4的特征图p¹；

p¹＝mean-pooling(v¹)；

同理根据以下公式得到3类特征图p¹,p²,p³；

p^l＝mean-pooling(v^l)；

其中，池化窗口大小和步长随着输入图片大小的改变而改变；p¹,p²,p³的大小分别为预设的4*4，2*2，1*1；然后将按列聚合成大小为16的列向量,p¹聚合成16*6＝96的列向量，同理可将p²聚合为大小为2*2*16＝64的列向量，将p³聚合为大小为1*1*120＝120的列向量，最后按序聚合成一个总大小为280的列向量p作为输入图片的特征；

步骤1.3：对最终特征向量进行一次全连接和softmax分类，获得卷积神经网络；

步骤1.4：将整个卷积神经网络的所有权值通过经验公式进行初始化，然后将训练图片x输入初始化后的卷积神经网络，按照前向传播公式进行传播；

步骤2：反向调节。

2.根据权利要求1所述的基于空间金字塔的卷积神经网络的图像分类方法，其特征在于，步骤1.4中所述将整个卷积神经网络的所有权值通过经验公式进行初始化，是根据经验公式初始化随机生成输入单元与隐层单元之间的权值w_kj和隐层单元的偏置b_j，

设置b初始值均为0；

其中，w表示权值，l表示卷积网络第l层，j表示卷积神经网络第l卷积层第j个神经元，k表示全连接层第k层，layerinput表示这一层输入神经元个数，layeroutput表示这一层的输出神经元个数；k^l是第l个卷积层卷积核的大小，此公式可以令初始化的权值在-1到1之间。