[发明专利]一种卷积神经网络结构的构建方法、计算机及介质

说明书

本发明公开了一种卷积神经网络结构的构建方法，该方法包括：卷积层采用光谱维度的一维卷积；全连接层对卷积层提取的第一特征做非线性组合，得到第二特征；全连接层将第二特征映射到样本网络。本发明还公开了一种计算机和计算机可读存储介质。通过本发明的方案，可以有效避免在后续分类时造成原始图像的信息丢失，也可以避免在对压缩后的图像进行分类时分类器可能会将目标物的种类误判的现象发生。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种卷积神经网络结构的构建方法、计算机及介质。

背景技术

生活中的所有图像都取自自然界，自然界有着自己独特的关联性。即，多个图像之间存在着相似的特征。而卷积神经网络就是要挖掘多个图像间的关联性。所以，在设计卷积神经网络时，首先要选择卷积神经网络特有的特征分析方式，即卷积核。卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。通俗讲，卷积核好比一个带有过滤功能的扫描仪，其可以扫描图像，而卷积核会将图像中每个像素点中能获得的特征信息提取出来。故，在对某一像素区域扫描后卷积核可以产生一个新的二维特征。但是，卷积核的扫描方法并不完美。总会有一些“藏匿”在图像边缘的像素点会被遗漏掉。

发明内容

本发明提出了一种卷积神经网络结构的构建方法、计算机及计算机可读存储介质，可以有效避免在后续分类时造成原始图像的信息丢失，也可以避免在对压缩后的图像进行分类时分类器可能会将目标物的种类误判的现象发生。

基于上述目的，本发明实施例的一方面提供了一种卷积神经网络结构的构建方法，具体包括如下步骤：

卷积层采用光谱维度的一维卷积；

全连接层对卷积层提取的第一特征做非线性组合，得到第二特征；

全连接层将第二特征映射到样本网络。

在一种具体可实现方式中，卷积层采用第一阈值个卷积核对高光谱数据进行扫描。

在一种具体可实现方式中，第一阈值包括8，16，32中的至少一项。

在一种具体可实现方式中，全连接层采用第二阈值个神经元与卷积层进行对接。

在一种具体可实现方式中，第二阈值包括16。

在一种具体可实现方式中，全连接层的激活函数为：

f(x)＝max(0,x)

其中，f(x)表示总样本的平均损失值，x表示每个样本。

在一种具体可实现方式中，激活函数的优化函数为：

其中，m代表更新参数，loss代表损失函数，p代表学习率。

在一种具体可实现方式中，激活函数的优化函数为：

其中，f_i(x)表示样本i的损失值，n表示每次迭代所需的样本数量。

本发明实施例的再一方面，还提供了一种计算机，其包括：卷积层和全连接层；其中，

卷积层配置用于采用光谱维度的一维卷积；

全连接层配置用于对卷积层提取的第一特征做非线性组合，得到第二特征；

全连接层配置用于将第二特征映射到样本网络。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。