[发明专利]一种融合特征分类方法

说明书

本发明公开了一种融合特征分类方法，特征融合网络为原始网络的特征融合，它由原始网络的后半段网络修改而来，并融合了原始特征的图像的最后一层特征图谱。特征融合网络训练时，首先将样本数据输入已经训练好的原始网络，得到对应层级的特征，而后将对应层级的特征作为特征融合网络的输入，进行特征融合网络的训练。最后的预测同样需要将首先将样本数据输入已经训练好的原始网络，得到对应层级的特征，而后将对应层级的特征作为特征融合网络的输入，特征融合网络的输出最终的预测。本发明利用卷积神经网络的中间层特征，提高卷积神经网络的分类效率。

技术领域

本发明设计一种特征分类方法，特别是一种融合特征分类方法。

背景技术

人工智能作为计算机领域的一个重要研究领域，已广泛应用于人们的日常生活中，并影响到社会的方方面面。深度学习作为机器学习的一个热点，以数据为驱动，从样本中自动学习特征，现已成为人工智能内一个广受珍视、研究非常活跃的课题，它被广泛应用于物体检测、商品推荐、文本翻译等领域。深度学习的存在两个主要矛盾，一是保留尽可能多的信息和获得精简的特征之间的矛盾，二是在有限的计算能力与获得高度抽象特征之间的矛盾。

为提高深度学习中卷积神经网络的精度与节约计算力，文献(Niu X,Suen C Y.ANovel Hybrid CNN-SVM Classifier for Recognizing Handwritten Digits[J].PatternRecognition,2012,45(4):1318-1325)，提出一种将支持向量机与卷积神经网络相结合的方法，在手写字符集MINIST上取得了良好的效果。但同时文献(Zeiler M D,FergusR.Visualizing and Understanding Convolutional Networks[C].European Conferenceon Computer Vision.Springer,Cham,2014:818-833.)采用反卷积层对卷积神经网络的特征图谱做了研究，在比较不同层级的特征后发现，越靠后的层级的特征变动性越大，特征主要聚焦于图像的区分度。低层级的特征与高层级的特征相比相对简单，这侧面反映出低层级的特征能很好表示简单的图像，高层级的特征相对能够表示复杂的图像，也就是低层级的特征关注点在于图像的某个小区域，而高层级的特征关注图像中的大区域。基于此，本发明旨在融合本发明旨在融合卷积神经网络中间层特征与高层特征融合的方式，提高卷积神经网络的表现效果。

发明内容

本发明所要解决的技术问题是提供一种融合特征分类方法，利用卷积神经网络的中间层特征，提高卷积神经网络的分类效率。

为解决上述技术问题，本发明所采用的技术方案是：

一种融合特征分类方法，其特征在于包含以下步骤：

步骤一：训练原始网络；

步骤二：构建特征融合网络；

步骤三：训练特征融合网络；

步骤四：进行分类预测。

进一步地，所述步骤一中原始网络为普通的卷积神经网络，采用以下两种方式对其进行训练：

1)在目标数据集上进行训练；

2)采用相同的卷积神经网络结构在大规模数据集上训练。

进一步地，所述步骤二中特征融合网络为原始网络的特征融合，它由原始网络的后半段网络修改而来，并融合了原始网络的最后一层特征图谱。