一种基于样条卷积神经网络的图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108052989A(43)申请公布日2018.05.18(21)申请号201810120899.9(22)申请日2018.02.07(71)申请人深圳市唯特视科技有限公司地址518057广东省深圳市高新技术产业园区高新南一道009号中科研发园新产业孵化中心楼610室(72)发明人夏春秋(51)Int.Cl.G06K9/62(2006.01)G06N3/08(2006.01)权利要求书3页说明书6页附图2页(54)发明名称一种基于样条卷积神经网络的图像分类方法(57)摘要本发明提出了一种基于样条卷积神经网络的图像分类方法，其主要内容包括：样条卷积神经网络、通用计算图形处理器算法，其过程为，样条卷积神经网络使用一种新型样条卷积层构建深度神经网络，由卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，提出基于B样条的新型卷积算子，B样条基函数具有局部支持性质。本发明提出一种新型的可训练卷积运算符，卷积滤波器在空间域中运行并聚合局部特征，应用可训练的连续核函数，通过可训练的B样条控制值进行参数化，能快速进行训练和推理，简化了图像分类过程，同时也提高了分类的准确性。CN108052989ACN108052989A权利要求书1/3页1.一种基于样条卷积神经网络的图像分类方法，其特征在于，主要包括样条卷积神经网络(一)；通用计算图形处理器算法(二)。2.基于权利要求1所述的样条卷积神经网络(一)，其特征在于，样条卷积神经网络(样条CNN)使用一种新型样条卷积层构建深度神经网络，卷积层接收不规则的结构化数据，将其映射到定向图作为输入，在空间卷积层中，节点特征使用可训练的连续核函数进行聚合，样条CNN由以下三个部分组成：预训练、节点特征和卷积运算符。3.基于权利要求2所述的预训练，其特征在于，训练过程如下：(1)在卷积算子中输入一个定向图其中表示节点集合且ε是边缘集合，U是d维度中的相邻矩阵，U∈[0,1]N×N×d包含d维度的伪坐标u(i,j)，且u(i,j)∈[0,1]d，该坐标来自每个定向边缘(i,j)∈ε；(2)U是d维度上的相邻矩阵，通过u(i,j)∈[0,1]d进行归一化，如果(i,j)∈ε，则U＝0，当E＝|ε|＜＜N2时，U是一个稀疏矩阵，对于节点其邻域集合用N(i)表示；(3)在网络中输入节点特征：令其中表示每个节点在Min位置的输入特征向量，且1≤l≤Min，将集合作为输入特征映射；(4)除了输入图形和节点特征外，B样条基函数为：令表示在角度m处的B样条基础，在等距离的结点向量上，k＝(k1,…,kd)定义了d维度的内核大小。4.基于权利要求2所述的节点特征，其特征在于，卷积运算符集合局部区域的节点特征，其权重是可训练的、连续的核函数，节点特征f(i)表示不规则几何结构上的特征，其空间关系由U中的伪坐标定义，当在节点的邻域中局部聚合特征值时，采用U的内容来确定特征的聚合方式，f(i)定义聚合内容；在图形中，给定ε和U，它们包含边缘权重或者目标节点的角度特征；在离散流形，包含离散流中的点，ε代表局部欧几里德邻域中的连通性，U包含局部关系信息，例如目标点相对于每个边缘原点的极坐标、球坐标或笛卡尔坐标等，U的值没有具体限制。5.基于权利要求2所述的卷积运算符，其特征在于，使用B样条的连续内核函数，通过一个用常数表示的可训练控制值进行参数化，B样条基函数的局部支持性质将基函数在已知区间外的所有输入值定义为零：(1)从B样条基函数的笛卡尔乘积中导出每个元素p的可训练参数ωp,l，ωp,l∈W，在每一个Min位置输入特征映射，由l索引并计算出训练参数K，其中(2)将连续卷积内核定义为一个函数：通过以下等式给定：其中Bp是p中基函数的乘积，通过以下等式给定：2CN108052989A权利要求书2/3页将可训练参数ωp,l作为d+1维度上B样条曲线的高度控制值，每一个相邻的点j的权重取决于u(i,j)，与传统d+1维度上的B样条相比，样条CNN只有一维控制点和近似函数，因此用近似函数代替B样条曲线，在B样条基函数的统一性划分区间中定义的范围，ai和bi的值取决于于B样条的角度m和内核大小(k1,…,kd)，然后缩放空间关系向量u(i,j)以精确匹配这个区间，给定内核函数和输入节点特征f，节点i的空间卷积运算符定义为：与传统的卷积神经网络类似，卷积运算符作为深度神经网络结构中的一个模块，在样条CNN中进行计算，操作符在具有不同可训练参数的相同输入数据上应用Mout相乘，用来产生Mout输出特征图的卷积层。6.基于权利要求5所述的局部支持，其特征在于，由于B样条的局部支持性质，在K个不d同的向量中，当s:＝