[发明专利]一种基于复合卷积神经网络的化石图像分类模型的构建方法

权利要求书

1.一种基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，包括如下步骤：

S1：对原始化石图像处理得到梯度图像，构建化石图像特征提取模型；

S2：化石图像特征提取模型对原始化石图像进行特征提取得到深度特征图，化石图像特征提取模型对梯度图像进行特征提取得到初级视觉特征图，深度特征图与初级视觉特征图融合后依次通过全局平均池化层和全连接层处理得到图像类别概率值，依据图像类别概率值构建初级化石图像分类模型；

S3：训练初级化石图像分类模型。

2.根据权利要求1所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，所述S2进一步包括：

S21：深度特征图与初级视觉特征图从通道维度进行融合得到融合特征图；

S22：融合特征图输入全局平均池化层输出得到特征向量；

S23：特征向量经过全连接层的卷积及分类得到图像类别概率值，依据图像类别概率值构建初级化石图像分类模型。

3.根据权利要求1或2所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，利用Canny算子对原始化石图像处理得到梯度图像；

全连接层的分类通过Softmax分类器完成。

4.根据权利要求1或2所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，所述S3进一步包括：

S31：构建目标损失函数；

S32：使用ResNet50深度残差网络初始化化石图像特征提取模型的网络参数，按照正态分布初始化全连接层的网络参数；

S33：对于待处理数据集中的原始化石图像，随机选择80％的原始化石图像作为训练集图像，10％的原始化石图像作为验证集图像；

S34：原始训练集图像和预处理后的训练集图像，输入化石图像分类模型中，采用批梯度下降的训练方法来最小化所述的目标损失函数值，得到训练好的化石图像分类网络的权重；

S35：通过预处理后的验证集图像的目标损失函数值进行反馈，若目标损失函数值小于训练好的化石图像分类网络的权重，则对化石图像分类网络的权重进行更新，否则保存化石图像分类网络的权重。

5.根据权利要求4所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，所述S31进一步包括：

构建目标损失函数L，表示为：

L＝-θα(1-b)^γlog(b)-(1-θ)log(b)

其中，α∈[0,1]为权重因子；γ0为调制因子；θ是超参数；b∈[0,1]表示估计概率。

6.根据权利要求1或2所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，所述的化石图像特征提取模型的构建方法包括：

S1：建立可堆叠的复合卷积残差块，设置所述复合卷积残差块的基础通道数目及空洞卷积膨胀率；

S2：堆叠所述的复合卷积残差块形成不同深度的神经架构，神经架构的深度由不同任务所在的图像数据集确定；

S1中所述的复合卷积残差块设置：

第一层：1×1大小的卷积核，减少模型的计算参数；

第二层：3×3卷积运算，结合传统卷积和空洞卷积，传统卷积捕获连续的结构性依赖特征，空洞卷积捕获间隔距离较远的结构依赖关系；

第三层：1×1卷积核，还原特征图的数量。

7.根据权利要求6所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，所述的基础通道数目随神经架构的深度变深而线性增加。

8.根据权利要求1或2所述的基于复合卷积神经网络的化石图像分类模型的构建方法，其特征在于，所述的化石图像特征提取模型具有表1所示的结构：

表1化石图像特征提取模型网络结构