[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

说明书

本发明公开了一种基于空间金字塔的卷积神经网络的图像分类算法，借鉴了空间金字塔先提取全局特征，然后每个金字塔水平画以网格的方式获取局部特征组成空间金字塔的整体特征。构造了一个新的卷积神经网络模型，此模型前半部分为传统的卷积网络，有3个卷积层2个池化层；之后将这3个卷积层以画网格的方式进行均匀池化获得各自特征图。每层特征图按列连成一个特征向量，然后将这3个特征向量顺序连接成为一个总的特征向量。这个总的特征向量即涵盖了经典卷积层的特征，同时也添加了前面卷积层的特征，避免了重要特征的遗失，同时网格大小调整了各卷积层特征图的权重，有助于提高网络的识别效率。

技术领域

本发明属于图像处理与模式识别技术领域，具体涉及一种基于空间金字塔的深度卷积神经网络的图像识别方法。

背景技术

空间金字塔是首先提取原图像的全局特征，然后在每个金字塔水平把图像划分为细网格序列，从每个金子塔水平的每个网格中提取特征，并把其连接成一个大的特征向量。

卷积神经网络近年来在图像处理方面取的了不俗的成就，得到了广泛的运用。随后，更多的科研工作者对经典网络进行了修改。为了获得更佳的图像识别结果，本专利借鉴了空间金子塔的思维，提出了一种新的深度卷积神经网络，获得了相较于传统方法更好的识别效果。

发明内容

本发明的目的是提出一种基于空间金字塔方式的深度卷积神经网络的图像分类方式，提高图像模式识别的能力。

本发明所采用的技术方案是：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1.3：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。

本发明的有益效果是：提出了一种新的卷积神经网络算法结构，并提高了识别效率。

附图说明

图1：本发明实施例的方法原理图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于空间金字塔的卷积神经网络的图像分类方法，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3个卷积层、2个池化层的前半部分卷积神经网络；

步骤1.2：将3个卷积层分别进行池化，得到3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；

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；