申请/专利权人：北京工业大学

申请日：2022-03-03

公开（公告）日：2024-06-14

公开（公告）号：CN114565796B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/06;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.06.17#实质审查的生效;2022.05.31#公开

摘要：本发明涉及一种基于网络增长和逼近论的图像分类方法，属于深度学习领域。使用神经网络对图像分类时，由于网络学习能力和数据集噪声等影响，在图像数据集的样本空间某些区域必然存在误差。本发明从该问题出发，利用逼近论的思想，对每个存在误差的区域使用本发明设计的自适应网络补偿误差，通过增加整体网络规模将样本空间所有误差区域的误差均下降到0。每个增加的自适应网络根据输入图像大小、通道数和样本空间划分数按照预先设计的神经元单元堆叠形成。本方法和逼近论结合，适用于动态变化的数据集，通过网络增长不断学习图像数据集特征，迭代减小分类误差，提高图像数据集分类正确率，减少参数训练次数，加快图像分类速度。

主权项：1.一种基于网络增长和逼近论的图像分类方法，其特征在于结合逼近论和集成学习的思想，通过增长神经网络规模的方式逐步学习图像数据集的特征，并根据每次增长后的神经网络对图像的分类误差逐步调整对图像特征的学习程度，最终完成对图像的正确分类，方法具体包括以下步骤：步骤1：图像数据集处理：将图像数据集降维转化成向量数据集；步骤2：样本空间划分：对降维得到的向量数据集形成的样本空间进行划分，得到不同的超立方体，每一超立方体设定一个区域标签；步骤3：确定基础神经元单元cell，训练过程中，基础神经元单元cell的结构不变，参数随输入自适应变化；步骤4：将步骤3中的基础神经元单元cell进行堆叠形成自适应网络，其中，cell堆叠的层数等于三倍样本空间划分数目，每个堆叠层中包含的cell个数等于降维后的输入向量的维数；步骤5：增长网络完成图像分类；步骤4中所述的自适应网络由步骤3中cell从下往上堆叠而成，不同cell结构相同，权重和偏置不同，其中，自适应网络中cell堆叠的数目根据步骤2中样本空间的划分决定，决定方法为在样本空间划分的每个超立方体，若其中含有训练集样本，使用三个cell完成特征的学习，样本空间划分的超立方体数目越多，cell堆叠的数目也会越多；不同cell的权重和偏置根据输入图像降维后向量的维数、样本空间划分数目和向量类别标签决定，决定方法为输入向量的维数决定权重和偏置的维数，样本空间划分数目和向量类别标签决定权重和偏置的大小，同时，样本空间划分数目决定权重和偏置的数目；不同cell的权重和偏置均可使用本方法计算得到；步骤5中所述的网络增长为：增长方法为迭代过程，其中第i轮迭代的过程为：把降维后的向量数据集T的所有向量xkk＝1,2,…,m输入到第i-1轮迭代得到的神经网络Ni-1中，得到Ni-1对xk的预测标签计算和xk的真实类别标签yk之间的分类误差之后构造第i轮迭代的训练集，训练集向量和T中向量xk相同，训练集中xk对应的标签即第i轮迭代的训练集为按照步骤2对训练集Ti所在样本空间Ai进行划分，并保存划分信息；输入训练集Ti和样本空间Ai的划分信息，按照步骤4得到的自适应网络作为Neti，来对第i-1轮的分类误差进行学习和补偿，具体的，将Neti增加到Ni-1上得到第i轮迭代的神经网络Ni，增加方式为将Neti作为一个旁路连在Ni-1的输入和输出之间，此时Ni的输出为Ni-1的输出和Neti的输出之和；最后将T中所有向量xk输入Ni进行分类，计算Ni的分类正确率；若正确率小于预先设定的阈值，则继续进行第i+1轮迭代；若正确率大于预先设定的阈值，则说明对图像分类效果良好，完成图像分类任务。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于网络增长和逼近论的图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD