[发明专利]一种基于分块卷积神经网络的细粒度图像分类方法

权利要求书

1.一种基于分块卷积神经网络的细粒度图像分类方法，设定分块卷积神经网络共有L个分块卷积层，l为当前分块卷积层的层数，1≤l≤L，初始化为l＝1；其特征是：

该方法由以下步骤实现：

步骤一、对于第l个分块卷积层f(·；Ω^(l))，获取其输入特征图为x^(l)；所述为卷积核参数，R表示实数，c^(l)为输入特征图通道数，c^(l+1)为输出特征图通道数，·表示函数的输入，和为每个卷积核的宽和高；表示维度为的实矩阵；

所述输入特征图为第l-1个分块卷积层的输出特征图，x⁽¹⁾为模型输入，W^(l)和H^(l)为输入特征图的宽和高；

步骤二、当l＝1时，设置m₁＝n₁＝1；当l＞1时，通过下式计算输入特征图上的每行分块数m_l和每列分块数n_l：

式中，和分别为输入特征图x^(l)的理论感受野的宽和高，且和为所述理论感受野在宽和高维度上的收缩因子，和分别为第l′层分块卷积层的卷积核在特征图的宽和高维度上的步长，为向上取整操作；

步骤三、根据步骤二中获得的输入特征图上每行每列分块数m_l和n_l，随机采样获得特征图分块的宽和高并且和均为正整数，

步骤四、根据步骤三获得的特征图分块的宽和高将输入的特征图x^(l)分成m_l×n_l块，获得分块特征图集合

步骤五、采用步骤一中的卷积核参数Ω^(l)分别对步骤四获得的所有进行卷积，获得对应卷积输出特征图

步骤六、将步骤五获得的卷积输出特征图按原位置进行拼接，获得分块卷积神经网络中的第l个卷积层的输出特征图

步骤七、对于L个分块卷积层，均按照步骤一至六进行操作，直至获得最后第L个分块卷积层的输出特征图x^(L+1)，将x^(L+1)输入到全连接层中，获得细粒度图像分类的输出概率p∈Rⁿ，n是类别数，实现细粒度图像的分类。

2.根据权利要求1所述的一种基于分块卷积神经网络的细粒度图像分类方法，其特征在于：还包括步骤八，采用交叉熵L_CE(t，p)和真实类别t对细粒度图像分类的输出概率p进行优化：

L_CE(t，p)＝-lnp_t。

3.根据权利要求1所述的一种基于分块卷积神经网络的细粒度图像分类方法，其特征在于：步骤二中，所述理论感受野的宽和高维度上的收缩因子的范围分别为：

4.根据权利要求1所述的一种基于分块卷积神经网络的细粒度图像分类方法，其特征在于：采用下述步骤替换步骤二至步骤六，具体为：

步骤A、设定所述输出特征图上的每行每列分块数m_l和n_l，随机采样得到特征图分块的宽和高并且和均为正整数，

步骤B、在输入的特征图x^(l)上按列每隔插入列全零列向量，按行每隔插入行全零行向量，和分别为卷积核在特征图宽和高维度上的步长，为向下取整操作，获得处理后的特征图

步骤C、采用步骤一获得的卷积核参数Ω^(l)对直接进行卷积，获得卷积输出特征图

步骤D：按照步骤C中插入全零列向量和行向量的位置，将卷积输出特征图中插入的向量去除，去除的列标号为去除的行标号为获得分块卷积神经网络中的第l个卷积层的输出特征图