一种基于随机卷积神经网络的高分辨率图像场景分类方法与流程

技术特征：

1.一种基于随机卷积神经网络的高分辨率图像场景分类方法，其特征在于，包括以下步骤：

步骤a，数据去均值，获得待分类图像集和训练图像集；

步骤b，模型共享的参数库随机初始化；步骤c，计算步骤a中所得待分类图像集和训练图像集的负梯度方向，实现方式如下，

设图像集x是输入数据，y是对应x的类别标签，N是数据个数，i是数据编号，首先令初始化输出函数f₀(x)＝0,k＝1,...,K，t＝1，其中f₀(x)是非线性函数f(x)的初始函数，k是类别个数，共K个类别，t为迭代次数，计算优化函数Ψ(y,f(x))如下，

$p_k\left(x\right)=\exp \left(f_{\left(k\right)}\right(x\left)\right)/\underset{k=1}{\overset{K}{\Σ}}\exp \left(f_{\left(k\right)}\right(x\left)\right)---\left(1\right)$

$\mathrm{\Ψ}(y,f(x\left)\right)=-\underset{k=1}{\overset{K}{\Σ}}{y}_k\log p_k\left(x\right)---\left(2\right)$

其中f_(k)(x)表示输出函数的第k个类别的输出值，p_k(x)表示样本x属于第k个类别的概率，y_k表示样本x是否为第k个类别，如果是则为1，不是则为0；

然后利用优化函数计算负梯度方向如下，

$-g_t\left(x\right)=-{\[\frac{\∂\mathrm{\Ψ}(y,f(x\left)\right)}{\∂f\left(x\right)}\]}_{f\left(x\right)={\hat{f}}_{t-1}\left(x\right)}=y-p\left(x\right)---\left(3\right)$

其中，表示第t-1个f(x)的估计函数，p(x)表示样本x的各类别输出概率；第一次执行步骤c时，f(x)＝f₀(x)；后续执行步骤c时，f(x)为上一次迭代得到的估计函数；

步骤d，训练基础卷积神经网络模型，实现方式如下，

首先从步骤b所得共享的参数库中随机选取一组卷积神经网络的参数组合θ_t，构成一个基础卷积神经网络模型h(x,θ_t)，

$h(x,{\mathrm{\θ}}_t)=\underset{i=1}{\overset{N}{\Σ}}\left(\frac{1}{2}\right|\left|h\right(x,{\mathrm{\θ}}_t)-g_t(x\left)\right|{|}^2)+\mathrm{\λ}\underset{l=1}{\overset{L}{\Σ}}sum\left(\right|\left|{\mathrm{\θ}}^{\left(l\right)}\right|{|}^2)---\left(4\right)$

其中θ^(l)是第l个特征提取阶段的网络参数，设共L个特征提取阶段，l＝1,2,…L，θ表示所有阶段的网络参数，θ_t是第t个非线性函数f(x)的网络参数θ，sum(.)指求和；

然后基于步骤a所得的训练图像集，利用传统的反向误差传播算法和步骤c得到的负梯度方向，来最小化基础卷积神经网络模型h(x,θ_t)的误差，并对h(x,θ_t)进行训练，得到最优的参数组合θ_t，更新卷积神经网络参数并存入对应阶段参数库；

步骤e，训练基础卷积神经网络模型的权重，实现方式如下，

利用步骤d得到的基础卷积神经网络模型h(x,θ_t)和函数估计计算模型权重如下，

${\mathrm{\ρ}}_{t,k}=\underset{\mathrm{\ρ}}{\arg \min }\underset{i=1}{\overset{N}{\Σ}}\underset{k=1}{\overset{K}{\Σ}}\mathrm{\Ψ}(y_k,{\hat{f}}_{t-1,k}+{\mathrm{\ρ}}_{t,k}{h}_k(x_i,\mathrm{\θ}\left)\right)---\left(5\right)$

其中，ρ_t,k是第t个非线性函数f(x)的第k类别权重，表示第t-1个f(x)的估计函数，表示第k类别的h_k(x_i,θ)表示第i个数据x_i第k类别的优化函数；

权重更新为ρ_t,k＝ρ_t-1,k-▽ρ，其中▽ρ_t,k＝-(1(c＝k)·h_c(x)-p_k(x)·h_k(x))，▽ρ表示权值梯度，▽ρ_t,k表示第t次迭代第k类别的权值梯度，c代表某个样本的标签，指示函数1(c＝k)表示如果c等于k则取值为1，否则为0，k＝1,2,…K；h_c(x)表示第c类别的基础卷积神经网络模型h(x,θ_t)输出值，h_k(x)表示第k类别的基础卷积神经网络模型h(x,θ_t)输出值；

步骤f，更新函数预测，得到加和模型，公式如下，

${\hat{f}}_t\←{\hat{f}}_{t-1}+{\mathrm{\λ\ρ}}_{t}h(x,{\mathrm{\θ}}_t)---\left(6\right)$

其中，ρ_t是基础卷积神经网络的最佳梯度下降乘子，h(x,θ_t)为基础卷积神经网络模型，λ为缩放因子，且λ＝1/(M+1)；

步骤g，判断迭代是否达到最大训练次数，若达到最大训练次数则转步骤h；否则令t＝t+1，转步骤c，重新计算负梯度，并继续从共享的参数库中随机选取另一组参数组合，构成一个基础卷积神经网络模型，进行训练；

步骤h，利用步骤f中所得的加和模型对步骤a所得的待分类图像集进行识别。

2.如权利要求1所述基于随机卷积神经网络的高分辨率图像场景分类方法，其特征在于：步骤b所述模型共享的参数库随机初始化通过高斯分布随机生成实现。