[发明专利]一种基于特征融合Alexnet壁画图像分类方法

权利要求书

1.一种基于特征融合Alexnet壁画图像分类方法，其特征在于，具体分类方法步骤如下：

(1)AlexNet模型的建立

所述AlexNet模型由5个卷积层和3个全连接层组成，且采用双通道结构，卷积层和池化层是模型提取特征的关键部分，卷积层是由m个卷积核组成的特征映射层，卷积操作公式如下：

池化层在卷积操作之后进行，池化操作公式如下：

(2)基于特征融合AlexNet壁画图像分类框架的建立

分类框架由一个3层双通道的特征融合层和一个3层的全连接层组成，具体建立方法如下：

S1输入层将原始图像以224×224×3的形式作为输入；

S2中间的堆叠层设置为具有相同层数和卷积核数量的两个通道channel1和channel2，分通道来提取图像抽象特征传递给分类器，Channel1的卷积核大小分别为11、5、3，Channel2的卷积核大小为11、3、5，各通道的卷积核数目分别为96、256、384，步长为4、1、1，每层池化核大小设置为3×3，步长为2；

S3同样采用三个全连接层，并在全连接处使用Dropout层；

(3)壁画分类流程

S1图像预处理

输入：样本集I；

step1：对于样本集中的每一张图片，进行缩放，水平垂直翻转变换，加噪和明暗度变换等预处理操作；

step2：得到扩展后的数据集；

step3：通过随机函数将扩展后的数据集图片划分为65％的训练集和35％的测试集；

输出：训练集E和测试集T；

S2模型训练

输入：训练集E；

step1：初始化权重值和偏置值等参数，设置学习率和的大小以及次数等超参数的数值；

step2：开始训练，对训练集中每个batch的每一张图片计算误差，反向反馈传播，更新参数值；

step3：重复step2，直到迭代次数满足停止条件，转到step4；

step4：得到训练好参数的网络模型；

输出：训练好的网络模型；

S3模型测试

输入：测试集T；

step1：将测试集中的所有样本输入到训练好的网络模型中进行预测。

step2：统计预测结果，得到分类准确率。

输出：分类准确率。

2.根据权利要求1所述的一种基于特征融合Alexnet壁画图像分类方法，其特征在于，所述卷积操作公式中代表输入层，代表输出层，M_j代表输入特征图的集合，W代表权重集合，代表权重值，b代表偏置集合，代表偏置值，f_c代表激励函数。

3.根据权利要求1所述的一种基于特征融合Alexnet壁画图像分类方法，其特征在于，所述池化操作公式中f_p表示池化操作，常用的有最大池化、均值池化和随机池化。

4.根据权利要求1所述的一种基于特征融合Alexnet壁画图像分类方法，其特征在于，操作计算机基于Windows10系统、拥有i7-8750的处理器型号和8G的内存容量，搭载NVIDIAGTX1060的GPU，采用Python语言编程。