[发明专利]一种联合结构相似性和类信息的图像分类方法

权利要求书

1.一种联合结构相似性和类信息的图像分类方法，其特征在于，包括以下步骤：

步骤1：获取N×N原始图像；

步骤2：对步骤1中获取的原始图像进行预处理；

步骤3：将预处理后的图像输入卷积神经网络中的第一个卷积层Conv1，激活函数为ReLU；

步骤4：将上一层的输出结果输入第二个卷积层Conv2，激活函数为ReLU，再进行dropout操作，将输出结果输入池化层；

步骤5：将上一层的输出结果输入第三个卷积层Conv3，激活函数为ReLU，再进行dropout操作；

步骤6：将上一层的输出结果输入第四个卷积层Conv4，激活函数为ReLU,再进行dropout操作，将输出结果输入池化层；

步骤7：将上一层的输出结果输入第五个卷积层Conv5，激活函数为ReLU，再进行dropout操作；

步骤8：将上一层输出结果输入第一个全连接层fc1，并进行dropout操作，然后进行L2型Normalization操作；

步骤9：将上一层输出结果输入到struct1，其中struct1中的损失函数为度量损失函数；

所述度量损失函数是联合度量损失和图像类别信息建立的损失函数，其度量损失函数为：

式中p是一个批量的图像数量，α是监督信息；s_i,j∈{0,1}，如果y_i＝y_j，则s_i,j＝1，否则s_i,j＝0；y_i、y_j分别表示图像x_i和x_j的类别标签；度量学习的目的是通过优化(1)式学习参数G；d_Wi,j为x_i和x_j之间的平方距离，如下式所示：

d_Wi,j＝(x_i-x_j)^TW(x_i-x_j) (2)

式中W＝GG^T，且其中G是Conv5和fc1之间待学习的参数矩阵；

步骤10：将第8步的输出结果输入第二个全连接层fc2，即softmax层；

步骤11：将步骤2中经过预处理的图像传送到步骤9和步骤10中，联合度量损失和softmax损失训练网络，获得总的损失函数；

所述总的损失函数为：

L＝βL_metric+(λ-β)L_softmax (3)

式中β为度量损失的权重，λ为softmax损失和度量损失的权重之和；L_metric为度量损失函数，L_softmax为传统的softmax损失函数，如下式所示：

i表示第i类样本，N表示步骤2中经过预处理的图像数量；表示fc2层的输出，f_j表示某个类别向量的j个元素；

步骤12：经过softmax分类器得到图像属于各个类别的概率；

步骤13：根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果。

2.根据权利要求1所述的联合结构相似性和类信息的图像分类方法，其特征在于：步骤2中，所述预处理是对原始图像进行左右翻转，同时每次从每幅图像中随机裁剪一副M×M大小的图像，MN，并通过caffe内置的逻辑机构转为lmdb型数据格式进行训练。

3.根据权利要求1-2任意一项所述的联合结构相似性和类信息的图像分类方法，其特征在于：步骤3中，所述卷积神经网络的第一个卷积层Conv1，网络节点数为32，特征图大小为26×26，卷积核大小为3×3,卷积核移动步长为1，边缘不补0，激活函数为ReLU。