[发明专利]一种联合结构相似性和类信息的图像分类方法

摘要

本发明公开了一种联合结构相似性和类信息的图像分类方法，在利用深度网络的结构特点上，提供一种新型深度学习方法—联合结构相似性和类信息的图像识别算法。并将该深度学习算法应用在手写数字识别和自然图像识别中，提出联合结构相似性与类信息的图像识别方法。该方法能能高效地提取小图像高层次信息；其次，该方法引入了联合度量损失和图像类别信息建立损失函数，度量损失通过计算图像高层次语义向量之间的相似性，最小化类内距离和类间距离与某一常数(通常为1)之差，不仅加快了网络的训练收敛速度，同时保持或者提高测试集图像的分类准确率。本发明简单且易于实现，提升图像识别性能的同时，也提高了网络的训练效率。

主权项

1.一种联合结构相似性和类信息的图像分类方法，其特征在于，包括以下步骤：步骤1：获取N×N原始图像；步骤2：对步骤1中获取额原始图像进行预处理；步骤3：将预处理后的图像输入卷积神经网络中的第一个卷积层Conv1，激活函数为ReLU；步骤4：将上一层的输出结果输入第二个卷积层Conv2，激活函数为ReLU，再进行dropout操作，将输出结果输入池化层；步骤5：将上一层的输出结果输入第三个卷积层Conv3，激活函数为ReLU，再进行dropout操作；步骤6：将上一层的输出结果输入第四个卷积层Conv4，激活函数为ReLU,再进行dropout操作，将输出结果输入池化层；步骤7：将上一层的输出结果输入第五个卷积层Conv5，激活函数为ReLU，再进行dropout操作；步骤8：将上一层输出结果输入第一个全连接层fc1，并进行dropout操作，然后进行L2型Normalization操作；步骤9：将上一层输出结果输入到struct1，其中struct1中的损失函数为度量损失函数；步骤10：将第8步的输出结果输入第二个全连接层fc2，即softmax层；步骤11：将步骤2中经过预处理的图像传送到步骤9和步骤10中，联合度量损失和softmax损失训练网络，获得总的损失函数；步骤12：经过softmax分类器得到图像属于各个类别的概率；步骤13：根据图像属于各个类别的概率，得出图像分类结果，最后输出图像分类结果。