基于周期性局部连接卷积神经网络的图像分类方法与流程

本发明属于数字图像处理领域，具体涉及一种基于周期性局部连接卷积神经网络的图像分类方法。

背景技术：

图像分类是数字图像处理领域中的基础的问题之一，图像分类是根据图像内容中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。具体是利用计算机自动理解图像内容，并根据内容确定该图像的标签，最后计算机根据该标签对图像进行自动分类。图像分类有着广泛的应用场景，如目标检测识别、场景分类等都是图像分类技术中最具代表性的拓展应用。

图像分类一般可分为图像特征提取和特征分类两大关键步骤，常见的图像分类方法都是通过构建特征分类器对图像进行分类，而图像分类器主要是通过卷积神经网络来具体实现。卷积神经网络是利用算法自动学习图像数据中潜在的特征并进行分类。目前，vggnet、resnet、densenet、mobilenetv1和mobilenetv2是性能最优的几种代表性神经网络结构，其中，vggnet、resnet和densenet通过图像特征提取，很好的对图像进行了分类；而mobilenetv1和mobilenetv2更是改进了网络结构，使得算法计算量大幅降低。

vggnet，resnet，densenet这几种网络结构规模庞大，而且巨大的计算量使得这几种网络结构在很多场合都无法使用。而mobilenetv1和mobilenetv2虽然改进了网络结构，使得计算量大幅降低，但是同时也降低了分类精度。

技术实现要素：

为了解决现有技术中存在的上述问题，本发明提供了一种基于周期性局部连接卷积神经网络的图像分类方法。本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种基于周期性局部连接卷积神经网络的图像分类方法，其特征在于，包括：

将多个卷积核组构建为周期性局部连接卷积层；其中，每个所述卷积核组包括多个卷积核，每个所述卷积核用于对预设图像的指定区域进行周期性卷积操作；

根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络；

根据所述周期性局部连接卷积神经网络对原始图像的进行分类。

在本发明的一个实施例中，所述卷积核的大小为w×h，w为所述卷积核的宽，h为所述卷积核的高。

在本发明的一个实施例中，根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络，包括：

根据所述周期性局部连接卷积层构建周期性局部连接卷积模块；

根据所述周期性局部连接卷积模块构建基本特征提取单元；

将多个所述基本特征提取单元构建为周期性局部连接卷积神经网络。

在本发明的一个实施例中，根据所述周期性局部连接卷积层构建周期性局部连接卷积模块，包括：

将第一卷积层的输出端连接第一激活层的输入端；

将所述第一激活层的输出端连接所述周期性局部连接卷积层的输入端；

将所述周期性局部连接卷积层的输出端连接第二激活层的输入端；

将所述第二激活层的输出端连接第二卷积层的输入端，构建所述周期性局部连接卷积模块；其中，

所述第一卷积层用于对所述第一卷积层内不同通道的特征图像进行加权融合；

所述第一激活层用于增加特征图的稀疏性；

所述周期性局部连接卷积层用于对所述周期性局部连接卷积层内的同一通道得特征图进行加权融合；

所述第二激活层用于增加特征图的稀疏性；

所述第二卷积层用于对不同通道的特征图像进行加权融合。

在本发明的一个实施例中，所述周期性局部连接卷积模块的输入端为所述第一卷积层的输入端，所述周期性局部连接卷积模块的输出端为所述第二卷积层的输出端。

在本发明的一个实施例中，所述第一激活层和所述第二激活层均为relu激活层。

在本发明的一个实施例中，所述第一卷积层卷积核的核数量为o1、步进值为s1、边缘填充为p1；

所述第二卷积层的卷积核的数量为o2、步进值为s2、边缘填充为p2。

在本发明的一个实施例中，根据所述周期性局部连接卷积模块构建基本特征提取单元，包括：

利用加法旁路连接所述周期性局部连接卷积模块的输入端和输出端，构建所述基本特征提取单元；其中，所述加法旁路用于将所述输入端与所述输出端进行点对点相加。

在本发明的一个实施例中，在根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络之后，还包括：

通过训练样本集对所述周期性局部连接卷积神经网络进行训练。

在本发明的一个实施例中，所述训练样本集为cifar-10数据集。

与现有技术相比，本发明的有益效果：

本发明的提供的方法利用周期性局部连接卷积神经网络提高了图像特征提取效率，可以在同等规模的卷积神经网络中提取到更多有效的图像特征，有效的减小了网络结构的规模；并由于其周期性特点，使得图像特征提取对图像内容的位置和角度变化不敏感，因此，具备更强的表达能力，从而具备更高的图像分类正确率。

附图说明

图1为本发明提供的一种基于周期性局部连接卷积神经网络的图像分类方法的流程示意图；

图2为本发明提供的周期性局部连接卷积模块结构示意图；

图3为本发明提供的基本特征提取单元结构示意图；

图4为本发明提供的周期性局部连接卷积神经网络结构示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1、图2、图3和图4，图1为本发明提供的一种基于周期性局部连接卷积神经网络的图像分类方法的流程示意图；图2为本发明提供的周期性局部连接卷积模块结构示意图；图3为本发明提供的基本特征提取单元结构示意图；图4为本发明提供的周期性局部连接卷积神经网络结构示意图。

如图1所示，一种基于周期性局部连接卷积神经网络的图像分类方法，包括：

步骤1、根据卷积核组构建周期性局部连接卷积层。

具体地,根据卷积核组构建周期性局部连接卷积层,包括:

建立周期性局部连接卷积层的卷积核，该卷积核周期性的在预设图像的指定区域进行卷积操作；

通过卷积核构建卷积核组，该卷积核组周期性的在预设图像中进行卷积操作；

将卷积核组进行复制，使得该卷积核组在卷积运算时，铺满整个预设图像(无重叠铺满)，从而构建周期性局部连接卷积层。

在本实施例中，周期性局部连接卷积层的卷积操作，是一种全新的卷积过程。不同于常见的卷积操作(卷积核遍历整幅预设图像进行滑动卷积运算)，周期性局部连接卷积层的每个卷积核只会在图像中指定区域进行运算。

卷积核组是一个由m*m个上述卷积核构成的正方形，其中，m为大于等于1的自然数。由于卷积核组铺满整个预设图像，这样就可以对预设图形的每一个像素进行卷积操作。

在本实施例中，周期性局部连接卷积层的卷积核的大小w×h，设置周期性局部连接卷积层的卷积核数量为o、进值为s、边缘填充为p、周期为l，其中，w为卷积核的宽，h为卷积核的高。

优选地，w×h＝3×3，o＝32，s＝1，p＝1，l＝3。

在实际应用中，卷积核的大小、卷积核的数量、步进值和周期大小还可以是其他数值，具体的可以按照实际需求进行设定。

步骤2、根据所述周期性局部连接卷积层构建所述周期性局部连接卷积神经网络。

步骤21、根据所述周期性局部连接卷积层构建周期性局部连接卷积模块。

如图2所示，其中，构建周期性局部连接卷积模块具体包括：

将第一卷积层的输出端连接第一激活层的输入端；

将第一激活层的输出端连接周期性局部连接卷积层的输入端；

将周期性局部连接卷积层的输出端连接第二激活层的输入端；

第二激活层的输出端连接第二卷积层的输入端。

在本实施例中，第一卷积层用于对该卷积层不同通道的特征图像进行加权融合。第一激活层用于增加特征图的稀疏性，即对输入第一激活层的特征图，增加其稀疏性，从而加速收敛过程。周期性局部连接卷积层是用于对该卷积层中的同一通道内特征图进行加权融合。第二激活层用于增加特征图的稀疏性；第二卷积层用于对不同通道的特征图像进行加权融合。

第一卷积层的卷积核的大小为w1×h1，其卷积核数量为o1，其步进值为s1，其边缘填充为p1。

第二卷积层的卷积核的大小为w2×h2，其卷积核数量为o2，其步进值为s2，其边缘填充为p2。

优选地，第一卷积层的卷积核的大小w1×h1＝1×1，o1＝32，s1＝1，p1＝1。第二卷积层的卷积核大小w2×h2＝1×1，o2＝32，s2＝1，p2＝1。

优选地，第一激活层和第二激活层均为relu(rectifiedlinearunit，简称relu)激活层，其数学表示为：

f(x)＝max(0,x)，

其中，x是该卷积层的输出。

步骤22、根据所述周期性局部连接卷积模块构建基本特征提取单元。

在本实施例中，周期性局部连接卷积模块的输入端为第一卷积层的输入端，周期性局部连接卷积模块的输出端为第二卷积层的输出端。

如图3所示，在周期性局部连接卷积模块的基础上构建加法旁路；

利用旁路加法将周期性局部连接卷积模块的输入端和输出端进行点对点相加，并将相加的结果作为最终的输出结果，从而构建了基本特征提取单元。

步骤23、将多个所述基本特征提取单元构建为周期性局部连接卷积神经网络；

如图4所示，根据步骤22构建的基本特征提取单元，构建n个上述基本特征提取单元，并将这些基本特征提取单元依次连接，从而构建了周期性局部连接卷积神经网络，其中，n为大于等于1的自然数。

其中，将这些基本特征提取单元依次连接，即为将第k个基本特征提取单元的输出连接第k+1个基本特征提取单元的输入，其中，和k为大于等于1的自然数，且k小于等于n。

在本实施例中，周期性局部连接卷积神经网络的输入端为第一个基本特征提取单元输入端，周期性局部连接卷积神经网络的输出端为最后一个基本特征提取单元输出端。

步骤24、通过训练样本集对所述周期性局部连接卷积神经网络进行训练。

通过训练样本集对所述周期性局部连接卷积神经网络进行训练，指的是利用训练样本集调整该神经网络的参数，使其达到所要求性能的过程。即使得该卷积神经网络能够对原始图像进行准确分类。

优选地，在对该周期性局部连接卷积神经网络进行训练之后，还可以通过测试样本集对该卷积神经网络进行测试，以评价该卷积神经网络的性能优劣。

对周期性局部连接卷积神经网络进行训练，包括：

首先，对该卷积神经网路进行初始化，即对该卷积神经网络每个卷积层的卷积核进行随机初始化；

然后，在选取训练样本集；

优选地，训练样本集为cifar-10数据集。

在选取训练样本集之后，再利用训练样本集对该卷积神经网络进行训练，以此完成该卷积神经网络的构建。

具体的训练方法为：使用已有的sgd(stochasticgradientdescent：随机梯度下降)优化器，批次大小设置为64，在训练时以0.01的学习率训练60回合，然后再以0.001的学习率训练30回合，共计训练90回合。

步骤3、根据所述周期性局部连接卷积神经网络对原始图像的进行分类。

利用通过步骤2训练后的周期性局部连接卷积神经网络可以对原始图像进行分类，具体包括：

利用该卷积神经网络对预分类的原始图像进行处理，提取原始图像的特征；

根据提取的特征，按照预定的图像分类规则，从而获得原始图像的分类结果。

以下通过举例，具体的对本发明提供的图像识别方法与现有图像识别方法进行比对。

首先，采用mobilenetv2卷积神经网络(当前轻量级图像分类方法中最优的方法)分别对cifar-10、imagenet-50(64)和imagenet-50(128)数据集进行测试。其中，imagenet-50(64)表示从imagenet数据中随机抽样50个类别的图像分辨率为64×64的数据集，imagenet-50(128)表示从imagenet数据中随机抽样50个类别的图像分辨率为128×128的数据集。

然后，采用本实施例提供的周期性局部连接卷积神经网络(基本特征提取单元堆叠7次，即n＝7)分别对cifar-10、imagenet-50(64)和imagenet-50(128)数据集进行测试。

最后，在同样的实验环境下，采用同样的数据预处理方法，得到两种方法测试三个数据集的图像分类正确率，从而评估本方法的性能。其中，图像分类的正确率如下表所示：

上表中top1表示分类准确率，madds表示算法需要的乘加数量。由表中数据可见：本实施例提供的基于周期性局部连接卷积神经网络的图像识别方法，在三种数据集上，均获得了比采用mobilenetv2卷积神经网络方法更优的分类正确率，其排除了不同数据上的偶然因素。同时，本方法所需计算量和mobilenetv2一致，充分说明了本实施例提供的图像识别方法具有更优的效果。

本实施例提供的图像识别方法利用周期性局部连接卷积神经网络提高了图像特征提取效率，可以在同等规模的卷积神经网络中提取到更多有效的图像特征，有效的减小了网络结构的规模；并由于其周期性特点，使得图像特征提取对图像内容的位置和角度变化不敏感，因此，本实施例提供的图像识别方法具备更强的表达能力，从而具备更高的图像分类正确率。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。