[发明专利]基于梯度维持的图像分类方法、存储介质及电子设备

权利要求书

1.一种基于梯度维持的图像分类方法，其特征在于，所述基于梯度维持的图像分类方法包括：

获取待训练的图像集；

将所述图像集划分为训练集和测试集；

利用所述训练集训练分类胶囊网络模型，且在训练过程中通过图像预测胶囊的路由梯度系数维持胶囊层叠加时的梯度稳定；其中，所述分类胶囊网络模型叠加多个所述图像预测胶囊的特征；

将所述测试集输入所述分类胶囊网络模型中进行图像分类的性能测试。

2.根据权利要求1所述的基于梯度维持的图像分类方法，其特征在于，所述在训练过程中通过图像预测胶囊的路由梯度系数维持胶囊层叠加时的梯度稳定的步骤包括：

将所述训练集进行特征提取，获取特征图，将所述特征图进行堆叠形成所述基本图像特征；

对所有的所述基本图像特征进行仿射变换后得到第一图像预测胶囊；

对所有的所述基本图像特征对应的第一图像预测胶囊叠加，得到第一胶囊中间量，并将所述第一胶囊中间量进行压缩处理，得到第一激活胶囊特征；

通过所述路由梯度系数与所述第一胶囊中间量的乘积对第二次迭代所用的第二胶囊中间量作近似处理，以在维持梯度稳定的基础上在第二次迭代时形成组合图像特征。

3.根据权利要求2所述的基于梯度维持的图像分类方法，其特征在于，所述对所有的所述基本图像特征进行仿射变换后得到第一图像预测胶囊的步骤包括：

将所述基本图像特征对应的矩阵定义为：其中，i表示基本图像特征所在的层数，n表示第n个特征图，表示第n个特征图上的第1个特征对应的损失函数值；

确定仿射矩阵W_ij，其中，i表示基本图像特征所在的层数，j表示组合图像特征所在的层数；

通过公式对矩阵u_i进行仿射变换，得到所述第一图像预测胶囊

4.根据权利要求3所述的基于梯度维持的图像分类方法，其特征在于，所述对所有的所述基本图像特征对应的第一图像预测胶囊叠加，得到第一胶囊中间量，并将所述第一胶囊中间量进行压缩处理，得到第一激活胶囊特征的步骤包括：

通过公式对所述第一图像预测胶囊叠加，得到所述第一胶囊中间量s_j；其中，i表示基本图像特征所在的层数，j表示组合图像特征所在的层数；

利用激活函数对所述第一胶囊中间量s_j进行压缩，得到所述第一激活胶囊特征v_j。

5.根据权利要求4所述的基于梯度维持的图像分类方法，其特征在于，所述通过所述路由梯度系数与所述第一胶囊中间量的乘积对第二次迭代所用的第二胶囊中间量作近似处理的步骤包括：

利用公式对所述第一图像预测胶囊进行更新，形成第二次迭代中的第二图像预测胶囊；

对所述第二图像预测胶囊叠加得到所述第二胶囊中间量，并将所述第二胶囊中间量近似处理为其中，λ为所述路由梯度系数。

6.根据权利要求5所述的基于梯度维持的图像分类方法，其特征在于，所述在维持梯度稳定的基础上在第二次迭代时形成组合图像特征的步骤包括：

利用所述激活函数对进行压缩，得到所述组合图像特征。

7.根据权利要求1所述的基于梯度维持的图像分类方法，其特征在于，所述将所述测试集输入所述分类胶囊网络模型中进行图像分类的性能测试的步骤包括：

将所述测试集输入所述分类胶囊网络模型进行分类测试，以获取相应的分类结果；

调整所述路由梯度系数后，将所述待测试数据集再次输入所述分类胶囊网络模型进行分类测试；

针对不同的所述测试集，比较不同的路由梯度系数所对应的分类结果，以确定所述分类胶囊网络模型性能最好的路由梯度系数。

8.根据权利要求7所述的基于梯度维持的图像分类方法，其特征在于，

在将所述测试集输入所述分类胶囊网络模型进行分类测试之前，通过原始图像的尺寸调整、每个方向上以零填充进行像素的移动以及训练参数的调整中的一种或多种方式对所述待测试数据集进行预处理。