申请/专利权人：宝鸡文理学院

申请日：2022-03-09

公开（公告）日：2024-06-28

公开（公告）号：CN114581717B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/80;G06V10/40;G06V10/54;G06V10/774;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.06.21#实质审查的生效;2022.06.03#公开

摘要：本发明公开了一种基于三维小波变换的深度卷积神经网络分类方法，属于图像分类和人工智能技术领域。该方法通过对深度卷积神经网络中的池化层进行分析，设计并搭建三维小波变换模块以改进现有的池化操作,包括以下步骤：S1、将数据集均划分为训练集与测试集；S2、设计并搭建三维小波变换模块；S3、将搭建的三维小波变换的深度卷积神经网络分别在自然图像分类数据集以及纹理图像数据集上进行训练，并进行测试以验证三维小波变换模块的有效性。该基于三维小波变换的深度卷积神经网络分类方法，其核心思想是构建三维小波变换模块以改进传统操作，在进行下采样时对特征信息进行重新整合，在尽可能保证信息流完整的前提下降低特征图分辨率。

主权项：1.一种基于三维小波变换的深度卷积神经网络分类方法，通过对深度卷积神经网络中的池化层进行分析，设计并搭建三维小波变换模块以改进现有的池化操作,其特征在于，包括以下步骤：S1、准备自然图像分类数据集以及纹理数据集，将上述的两个数据集均划分为训练集与测试集；S2、设计并搭建三维小波变换模块，将其嵌入到深度卷积神经网络中，并利用三维小波变换模块进行空域与通道域特征信息重建；S3、将搭建的三维小波变换的深度卷积神经网络分别在自然图像分类数据集以及纹理图像数据集上进行训练，并进行测试以验证三维小波变换模块的有效性；所述步骤S2中，利用三维小波变换模块进行空域与通道域特征信息重建的方法进一步包括以下具体步骤：S21、搭建基于二维离散小波变换的空域池化融合层；S22、搭建基于一维离散小波变换的通道域池化融合层；所述步骤S21中，搭建基于二维离散小波变换的空域池化融合层的方法进一步包括以下具体步骤：S211、在进行空域池化融合操作时，首先将输入特征利用二维离散小波变换进行分解，再利用基于二维离散小波变换的空域注意力机制将高频分量与低频分量分别进行融合，得到水平、垂直以及对角三个方向的纹理特征；S212、进一步进行空域池化融合操作时，利用多分支通道注意力对各类纹理特征进行加权，同时将小波分解时获取到的低频分量利用跳跃连接并入输出特征，用于显著性表达重要纹理特征的同时，抑制相对不重要的纹理特征；所述步骤S22中，搭建基于一维离散小波变换的通道域池化融合层进一步包括以下具体过程：在通道域池化融合时，首先将输入特征Y＝Mixedfeatures的每个像素点特征，视为一维信号Yi,j，并利用一维小波变换进行分解，再利用多分支通道注意力进行融合，用于实现通道间的信息交互。

全文数据：

权利要求：

百度查询： 宝鸡文理学院 一种基于三维小波变换的深度卷积神经网络分类方法

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