基于核空间的深度散射卷积网络学习方法和系统的制作方法
【技术领域】
[0001] 本发明设及一种数字图像分类方案，具体是一种基于核空间的深度散射卷积网络 学习方法和系统。
【背景技术】
[0002] 数字图像信号的分类问题通常由特征提取算子及分类器联合解决。特征提取算子 提取的特征识别类内相似性并区分类间差异性的能力称为特征可分性，运种性质显然影响 着分类精度。在特征提取算子确定的情况下，特征可分性受到后端的分类器的影响。为了进 一步提高信号的分类准确率，一种方案是联合优化特征提取算子和分类器，运种方案可W 提供对不同类型的数字图像进行分类的鲁棒性。
[000；3] 经过对现有技术的文献检索发现，J. Bruna和S. Mal Iat在2013年的《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI)其月甲J上发表的 "Invariant scattering convolution networks" -文中提出了一种基于复小波分解的散 射卷积网络，该散射网络通过级联小波卷积、非线性取模及局部平均算子建立了一种能线 性化细微形变且有局部平移不变特性的特征提取算子。该方法可W有效提高纹理图像和手 写字符的分类准确率，但运种方法没有考虑后端分类器对散射网络的特征可分性的影响， 且给出小波的旋转和伸缩数，网络中散射路径的数量和参数是固定的，运导致对于特定的 问题分类准确率降低。M. San即ierj.Gauthier与A. Rakotomamonjy在2015年的《Signal Processing》其月甲J上发表的('Filter bank learning for signal classification"一文中 提出了一种联合学习滤波器组和支持向量机的方法，该方法将滤波器组的学习问题转化为 多核学习问题，可W在高噪声水平下有效地解决音频信号的二元分类问题。但运种方法只 解决单层滤波器组的学习问题，所得的信号分解系数不包含不同尺度和方向之间的交互信 息，最终会导致图像信号的分类不准确。运些不足促使申请人找到一种深度卷积网络的学 习方法，针对不同的图像数据库自适应地学习网络中的卷积路径。
【发明内容】
[0004] 本发明针对现有技术的不足，提供了一种基于核空间的深度散射卷积网络学习方 法及系统，针对不同的图像数据库能自适应地学习网络中的卷积路径，可W有效提高手写 字符和纹理图像的识别准确率，并可作为一种通用的数字图像分类方法。
[0005] 本发明是通过W下技术方案实现的：
[0006] 本发明提供一种基于核空间的深度散射卷积网络学习方法，包括：
[0007] 参数化小波生成步骤:该步骤W随机化参数构造小波滤波器组；
[000引多核学习步骤:该步骤基于参数化小波生成步骤构造的小波滤波器组对训练数据 集进行散射卷积网络的分解，并采用多核学习算法选择最优卷积路径；
[0009]散射分解步骤:该步骤基于多核学习步骤选择的最优卷积路径对测试数据集进行 散射分解，所得的分解系数在支持向量机分类被分类。
[0010] 进一步的，所述的参数化小波生成步骤:通过随机化的变换参数对复小波基进行 伸缩及旋转变换构造小波滤波器组。
[0011] 进一步的，所述的多核学习步骤:基于最大化间距准则和一对多策略联合优化散 射卷积网络与支持向量机，并将该联合优化问题转化为多核学习问题。
[0012] 进一步的，所述的多核学习步骤，具体实现如下：
[0013] Sl、更新参数化小波生成步骤的随机化参数，构造小波滤波器组对训练数据集进 行散射卷积网络的分解，用分解结果中每条卷积路径的系数分别构建高斯核；
[0014] S2、通过广义多核学习算法计算当前高斯核集合中每个核的组合权值，基于活动 集准则去除集合中权值为零的非活动核，并计算加权积形式的组合核；
[0015] S3、重复SI,结合所得的新生成的高斯核与S2中得到的组合核，计算当前解是否满 足KKT化arush-Kuhn-l\icker)条件，若满足则根据S2中的高斯核集合推导对应的卷积路径， 作为局部最优解输出；否则在新生成的高斯核中选出一个违背KKT条件的核W零初始权值 加入S2选出的活动核集合中，并转到S2。
[0016] 进一步的，所述的散射卷积网络的分解，是指：由小波滤波器组迭代地对信号进行 卷积分解，每条卷积分解路径有不同的小波伸缩或旋转参数且卷积次数2,每次卷积后 进行复数取模操作，最后进行高斯低通滤波，结果为该卷积路径的分解系数。
[0017] 进一步的，所述的散射分解步骤:汇总学到的散射分解路径对测试数据集进行分 解，并对分解系数取对数非线性变换，分离光照变化引入的低频乘积部分。
[0018] 进一步的，所述的支持向量机分类，是指:采用一对多策略训练高斯核支持向量机 对散射分解系数进行分类。
[0019] 本发明提供一种用于实现上述方法的基于核空间的深度散射卷积网络学习系统， 包括:参数化小波生成模块、多核学习模块、散射分解模块和支持向量机分类模块，其中：
[0020] 所述参数化小波生成模块W随机化参数构造小波滤波器组；
[0021] 所述多核学习模炔基于参数化小波生成模块构造的小波滤波器组对训练数据集 进行散射卷积网络的分解，并采用多核学习算法选择最优卷积路径；
[0022] 所述散射分解模炔基于多核学习模块选择的最优卷积路径对测试数据集进行散 射分解，所得的分解系数在支持向量机分类模块被分类。
[0023] 进一步的，所述的支持向量机分类模块，该模块采用一对多策略训练高斯核支持 向量机对散射分解系数进行分类。
[0024] 与现有技术相比，本发明具有如下的有益效果：
[0025] 本发明针对不同的图像数据库提供一种基于核空间的局部平移不变的深度散射 卷积网络的学习，将散射网络的卷积路径映射到高维核空间，从而把散射网络和支持向量 机的联合优化问题转化为多核学习问题，充分利用了多核学习算法选取信号特征的灵活 性；W多个核的加权积的形式计算组合核，得到的核特征空间是单独核的特征空间的张量 积，相对于传统的W加权和的形式计算组合核，即W单独核特征空间的连接的作为核特征 空间的表示方式，大大提高了特征表示的维度;对于具有其它类型局部不变性的深度散射 网络，本发明经过适当的修改也可W使用，具有较强的可扩展性;本发明中深度散射网络的 卷积路径的数目与参数基于训练数据集自适应地学得，可W有效地提高不同类型数字图像 的识别准确率，具有良好的通用性。
【附图说明】
[0026] 通过阅读参照W下附图对非限制性实施例所作的详细描述，本发明的其它特征、 目的和优点将会变得更明显：
[0027] 图1为本发明一实施例的结构框图；
[0028] 图2为本发明一实施例中散射分解过程的示意图。
【具体实施方式】
[0029] 下面结合具体实施例对本发明进行详细说明。W下实施例将有助于本领域的技术 人员进一步理解本发明，但不W任何形式限制本发明。应当指出的是，对本领域的普通技术 人员来说，在不脱离本发明构思的前提下，还可W做出若干变形和改进。运些都属于本发明 的保护范围。
[0030] 本发明为有效提高手写字符和纹理图像的识别准确率，设计一种基于核空间的深 度散射卷积网络学习方法，包括：
[0031] 参数化小波生成步骤:该步骤W随机化参数构造小波滤波器组；
[0032] 多核学习步骤:该步骤基于参数化小波生成步骤构造的小波滤波器组对训练数据 集进行散射卷积网络的分解，并采用多核学习算法选择最优卷积路径；
[0033] 散射分解步骤:该步骤基于多核学习步骤选择的最优卷积路径对测试数据集进行 散射分解，所得的分解系数在支持向量机分类被分类。
[0034] 如图1所示，为用于实现上述方法的基于核空间的深度散射卷积网络学习系统，对 应于上述方法各步骤，该系统包括:参数化小波生成模块、多核学习模块、散射分解模块和 支持向量机分类模块，其中：
[0035] 所述参数化小波生成模块，W随机化参数对复小波基进行旋转及伸缩变换构造小 波滤波器组；
[0036] 所述多核学习模块，基于参数化小波生成模块构造的小波滤波器组对训练数据集 进行散射卷积分解，并采用多核学习算法选择最优卷积路径；
[0037] 所述散射分解模块，基于多核学习模块选择的最优卷积路径对测试数据集进行散 射分解，所得的分解系数在所述支持向量机分类模块被分类。
[0038] 上述系统用于实现基于核空间的深度散射卷积网络学习，从而可W有效提升各种 类型数字图像的分类准确率。W下对系统的各个模块进行进一步说明，运些说明也同样适 用于所述基于核空间的深度散射卷积网络学习方法的各个对应步骤。
[0039] 在一实施例中，所述的参数化小波生成模块，Wj和0分别表示伸缩与旋转变换的 参数，且j e [0，J-I)，0 e [0，JT)，从连续集[0，J-I) X [0，JT)中随机地产生J X L组变换参数 (j，e)并用^=2^0表示，其中，J与L分别表示对初始方向小波iH故伸缩及旋转变换的变换参 数的数量，令UER 2表示空间域中某一点的坐标，每组参数（j，0)对初始方向小波(6(11)