[发明专利]一种基于深度相似性网络的图像分类方法

权利要求书

1.一种基于深度相似性网络的图像分类方法，其特征在于，该方法包含以下步骤：

训练图片输入步骤，从指定训练图像中随机选择特定数目以及指定类型的图片作为训练图像；

模型训练步骤，通过构建特定的训练模型并向该模型输入训练图片进行特定次数训练得到图像特征提取模型参数；

初始化特征提取网络步骤，采用训练得到的网络模型参数集初始化用于图像特征提取的网络模型；

特征提取步骤，利用初始化的网络模型对输入图像的图像特征进行提取操作；

相似度计算步骤，根据训练得到的图像特征和实际提取的图像特征进行特定计算得出相似度计算模型；

图像分类步骤，采用相似度计算模型得到的图像特征进行图像分类；

所述特征提取步骤中，实际图片的特征提取操作完成后，加入相似度计算操作计算出训练图片与实际检测图片特征的相似度关系；

所述相似度计算采用下面公式：

其中，K为卷积层数，为实际图片的最大全连接层的上一层输出，f(R_K)为训练图像的特征值。

2.如权利要求1所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述模型训练步骤中，所述训练模型包括：单卷积层、ReLU激活层、池化层、全连接层、交叉熵损失函数判定层和图像特征提取层。

3.如权利要求2所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述单卷积层有64个5*5卷积核，卷积公式为：

Z_l[X_i]＝W_l*F_l-1(X_i)+B_l

其中l表示全连接层的层数，F_l-1表示第l-1层的输出，W_l为第l层的权值参数，B_l为第l层的偏置参数。

4.如权利要求2所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述池化层采用的核心大小为3*3，步长为2个像素；所述全连接层第一层采用384个输出结点，第二层采用192个输出结点。

5.如权利要求2所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述训练模型的训练方法为：利用网络的预测类别标签与真实类别标签，采用反向传播算法来训练双通道卷积神经网络。

6.如权利要求2所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述交叉熵损失函数为：

其中i表示第i张样本图片，n表示样本训练集的数量,y_ic表示第i张图片c类别网络预测值，t_ic表示相应图片c类别的真实值。

7.如权利要求1所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述模型训练步骤中，具体训练步骤为：进行一次单卷积操作、ReLU激活操作、池化操作、全连接操作、交叉熵损失函数判定调整模型参数操作。

8.如权利要求7所述的一种基于深度相似性网络的图像分类方法，其特征在于，所述训练步骤按照顺序重复执行一遍后执行图像特征提取操作。