CN106898011A - 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 - Google Patents

一种基于边缘检测来确定卷积神经网络卷积核数量的方法 Download PDF

Info

Publication number
CN106898011A
CN106898011A CN201710010949.3A CN201710010949A CN106898011A CN 106898011 A CN106898011 A CN 106898011A CN 201710010949 A CN201710010949 A CN 201710010949A CN 106898011 A CN106898011 A CN 106898011A
Authority
CN
China
Prior art keywords
edge
neural networks
convolutional neural
layer
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710010949.3A
Other languages
English (en)
Other versions
CN106898011B (zh
Inventor
文元美
余霆嵩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710010949.3A priority Critical patent/CN106898011B/zh
Publication of CN106898011A publication Critical patent/CN106898011A/zh
Application granted granted Critical
Publication of CN106898011B publication Critical patent/CN106898011B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供了一种基于边缘检测来确定卷积神经网络卷积核数量的方法，包括以下步骤：设定卷积神经网络层数和卷积核大小；将图像尺寸缩放至30*30后，对训练图像进行边缘检测获得边缘图像；按照各卷积层的卷积核大小对边缘图像进行边缘块提取和统计分析，获得各层卷积核数量；最后构建完整卷积神经网络对RGB‑D数据集进行训练。优点为：在构建卷积神经网络过程中，可自动的确定各个卷积层的卷积核数量，提高了设计卷积神经网络的效率，增强了卷积神经网络的自适应能力，使得设计的卷积神经网络拥有适应不同大小数据集的能力。

Description

一种基于边缘检测来确定卷积神经网络卷积核数量的方法
技术领域
本发明涉及卷积神经网络领域，特别涉及一种基于边缘检测来确定卷积神经网络卷积核数量的方法。
背景技术
卷积神经网络是20世纪80年代末提出的一种多层人工神经网络，特别是一种处理二维数据的神经网络。其通过结合局部感知、权值共享、降采样等特点来充分提取数据空间上的信息，并将传统的特征提取过程融入到整个神经网络中，省略了复杂的特征提取过程，使得其擅长处理图像的相关机器学习问题。自2012年Alex Krizhevsky等人提出AlexNet(一种改进的卷积神经网络结构)之后，卷积神经网络逐步成为研究热点。
在图像领域，利用卷积神经网络可获得比传统方法更高的准确率，并且不需要复杂的人工特征提取过程，因此，卷积神经网络在图像处理领域得到了广泛的应用，如物体分类、目标检测、人脸识别和场景的语义分割等。这表明在图像分类领域中利用卷积神经网络的方法处理问题已成为当前趋势。
但是在构建卷积神经网络过程中，需要设置的参数过多，例如网络层层数、卷积核大小、卷积核数量等，这导致构建卷积神经网络效率低，需要耗费大量人力和物力，而且还容易导致构建的卷积神经网络结构过大的问题。其中，卷积核数量对网络结构有直接影响，然而对卷积核数量的确定少有研究，卷积核数量大多是凭借经验确定，使得设计卷积神经网络效率低，设计的卷积神经网络缺乏自适应能力。
本发明通过对训练图像的边缘图像进行边缘块提取及统计分析，自动的确定各个卷积层的卷积核数量，提供了一种较为客观的卷积核数量确定方法，提高了设计卷积神经网络的效率，增强了卷积神经网络的自适应能力，使得设计的卷积神经网络拥有适应不同大小数据集的能力。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于边缘检测来确定卷积神经网络卷积核数量的方法，其目的是客观的确定卷积核数量，使得构建的卷积神经网络有好的自适应能力，避免构建的卷积神经网络结构过大及权值数量过多的问题，提高了卷积神经网络的使用效率。
本发明的目的通过下述技术方案实现：
本发明提供一种基于边缘检测来确定卷积神经网络卷积核数量的方法，包括以下步骤：
(1)设定卷积神经网络的卷积层及池化层的层数和各个卷积层的卷积核大小，通常卷积层和池化层交替连接，卷积核是m*n的矩阵(通常m＝n，且为奇数)；
(2)将所有图像的尺寸缩放至w*h(通常w＝h)，再将所有训练图像转化为灰度图像，对训练图像的灰度图像利用边缘检测算子进行边缘检测，得到边缘图像，边缘图像为二值图像，边缘部分为1，其余部分为0；
(3)确定第一个卷积层的卷积核数量：
1)依据第一个卷积层卷积核大小(设为k1*k1，k1为奇数)，且以边缘图像的边缘像素点作为边缘块中心点，对类别一的训练图像分别进行边缘块提取，所提取的边缘块大小为k1*k1，在每张边缘图像中提取出ni个边缘块(ni为类别一的第i张边缘图像中边缘像素点个数，类别一的训练图像共计i张)，对类别一的边缘图像所提取得到的所有边缘块进行统计，统计所含的边缘类型以及各个边缘类型的数量，大小为k1*k1的边缘块可能的边缘类型共计种。将统计到的数据存储于边缘特征矩阵E中，矩阵E的行表示类别，矩阵E的列表示边缘类型；
2)按照对类别一的操作，对每个类别进行边缘块提取以及边缘块统计，将数据存储于边缘特征矩阵E中，再对E的各列计算方差，获得方差向量V，对V中的方差进行排序求和，然后统计占比为x的方差数量K作为卷积核数量，x取值在90％至99％之间。
(4)确定其余各卷积层的卷积核数量：
按照步骤(3)中所述方法，依据第j个卷积层的层卷积核大小kj*kj(kj为奇数，j为卷积层层数)，对训练图像进行边缘块提取以及边缘块统计，获得特征矩阵E，再对E的各列计算方差，获得方差向量V，对V中的方差进行排序求和，然后统计占比为x的方差数量K作为卷积核数量，x取值在90％至99％之间。
本发明相对于现有技术具有如下的优点及效果，通过对训练图像的边缘图像进行边缘块提取及统计分析，可自动的确定各个卷积层的卷积核数量，提供了一种较为客观的卷积核数量确定方法，提高了设计卷积神经网络的效率，增强了卷积神经网络的自适应能力，使得设计的卷积神经网络拥有适应不同大小数据集的能力。
附图说明
图1是一种基于边缘检测来确定卷积神经网络卷积核数量方法的流程图；
图2是对7*7的边缘图像进行3*3的边缘块提取示意图；
图3是本发明实施例构建的卷积神经网络对RGB-D Object Dataset进行训练的结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
如附图1所示，本实施例提供一种基于边缘检测来确定卷积神经网络卷积核数量的方法，其步骤如下：
(1)选取RGB-D Object Dataset数据集中的10个类别中的48个实例作为本实施例的数据集，进行48个类别分类实验，共计31204张图片，每张图片大小约为70*80像素，随机挑选70％的图像作为训练集，30％作为验证集。
(2)确定卷积神经网络结构及其相关参数：第一层为卷积层，卷积核大小为3*3；第二层为池化层；第三层为卷积层，卷积核大小为5*5；第四层为池化层；第五层为全连接层；第六层为全连接层；第七层为Softmax层；迭代次数设置为15；批量样本数设置为50；卷积核采用随机初始化。
(3)将所有图像的尺寸缩放至30*30，再利用Canny边缘检测算子对所有训练图像进行边缘检测，获得边缘图像，边缘图像为二值图像，边缘部分为1，其余部分为0。
(4)确定第一个卷积层的卷积核数量：
1)如附图2所示，对类别一的训练图像分别进行边缘块提取，所提取的边缘块大小为3*3(与卷积核大小相同)，以边缘图像的边缘像素点作为边缘块中心点，在每张边缘图像中提取出ni个边缘块(ni为类别一的第i张边缘图像中边缘像素点个数，类别一的训练图像共计i张)，对类别一的边缘图像所提取得到的所有边缘块进行统计，统计所含的边缘类型以及各个边缘类型的数量。将数据存储于边缘特征矩阵E中。
2)依据对类别一的操作，对每个类别进行边缘块提取以及边缘块统计，将数据存储于边缘特征矩阵E中，再对E的各列计算方差，获得方差向量V，对V中的方差进行排序求和，然后统计占比为x的方差数量K作为卷积核数量，x取值为95％，经计算第一个卷积层的卷积核数量为26。
(5)确定第二个卷积层的卷积核数量：
按照确定第一个卷积层的卷积核数量方法，对第二个卷积层的卷积核数量进行确定。经过计算，可得到第二个卷积层的卷积核数量为59。
(6)对确定卷积核数量的卷积神经网络进行训练和验证。将训练图像输入到卷积神经网络中，迭代15次后，分类错误率(top1和top5)如附图3所示，top1错误率为每幅图像可预测一次时的错误率，top5错误率为每幅图像可预测五次时的错误率。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于边缘检测来确定卷积神经网络卷积核数量的方法，其特征在于采用以下步骤：
(1)设定卷积神经网络的卷积层及池化层的层数和各个卷积层的卷积核大小，卷积层和池化层交替连接，卷积核是m*n的矩阵，m＝n，且为奇数；
(2)将所有图像的尺寸缩放至w*h，其中w＝h，再将所有训练图像转化为灰度图像，对训练图像的灰度图像利用边缘检测算子进行边缘检测，得到边缘图像，边缘图像为二值图像，边缘部分为1，其余部分为0；
(3)确定第一个卷积层的卷积核数量：
1)依据第一个卷积层卷积核大小，设为k1*k1，k1为奇数，且以边缘图像的边缘像素点作为边缘块中心点，对类别一的训练图像分别进行边缘块提取，所提取的边缘块大小为k1*k1，在每张边缘图像中提取出ni个边缘块，ni为类别一的第i张边缘图像中边缘像素点个数，类别一的训练图像共计i张，对类别一的边缘图像所提取得到的所有边缘块进行统计，统计所含的边缘类型以及各个边缘类型的数量，大小为k1*k1的边缘块可能的边缘类型共计种，将统计到的数据存储于边缘特征矩阵E中，矩阵E的行表示类别，矩阵E的列表示边缘类型；
2)按照对类别一的操作，对每个类别进行边缘块提取以及边缘块统计，将数据存储于边缘特征矩阵E中，再对E的各列计算方差，获得方差向量V，对V中的方差进行排序求和，然后统计占比为X的方差数量K作为卷积核数量；
(4)确定其余各层卷积层的卷积核数量：
按照步骤(3)中所述方法，依据第j个卷积层的层卷积核大小kj*kjkj为奇数，j为卷积层层数，对训练图像进行边缘块提取以及边缘块分析和统计，获得特征矩阵E，再对E的各列计算方差，获得方差向量V，对V中的方差进行排序求和，然后统计占比为X的方差数量K作为卷积核数量。
2.根据权利要求1所述的一种基于边缘检测来确定卷积神经网络卷积核数量的方法，其特征在于，步骤(3)中，x取值在90％至99％。
3.根据权利要求1所述的一种基于边缘检测来确定卷积神经网络卷积核数量的方法，其特征在于，步骤(4)中，后层的卷积核大小不能小于前层的卷积核大小。
CN201710010949.3A 2017-01-06 2017-01-06 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 Expired - Fee Related CN106898011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710010949.3A CN106898011B (zh) 2017-01-06 2017-01-06 一种基于边缘检测来确定卷积神经网络卷积核数量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710010949.3A CN106898011B (zh) 2017-01-06 2017-01-06 一种基于边缘检测来确定卷积神经网络卷积核数量的方法

Publications (2)

Publication Number Publication Date
CN106898011A true CN106898011A (zh) 2017-06-27
CN106898011B CN106898011B (zh) 2019-10-29

Family

ID=59198519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710010949.3A Expired - Fee Related CN106898011B (zh) 2017-01-06 2017-01-06 一种基于边缘检测来确定卷积神经网络卷积核数量的方法

Country Status (1)

Country Link
CN (1) CN106898011B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610140A (zh) * 2017-08-07 2018-01-19 中国科学院自动化研究所 基于深度融合修正网络的精细边缘检测方法、装置
US10083499B1 (en) * 2016-10-11 2018-09-25 Google Llc Methods and apparatus to reduce compression artifacts in images
WO2019057097A1 (zh) * 2017-09-22 2019-03-28 杭州海康威视数字技术股份有限公司 卷积运算方法、装置、计算机设备及计算机可读存储介质
CN109583277A (zh) * 2017-09-29 2019-04-05 大连恒锐科技股份有限公司 一种基于cnn的赤足或穿袜足迹的性别判定方法
CN109685088A (zh) * 2017-10-18 2019-04-26 上海仪电（集团）有限公司中央研究院 基于云端分离卷积神经网络的窄带通信智能图像分析系统
CN109815969A (zh) * 2019-03-05 2019-05-28 上海骏聿数码科技有限公司 一种基于人工智能图像识别的特征提取方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050129306A1 (en) * 2003-12-12 2005-06-16 Xianglin Wang Method and apparatus for image deinterlacing using neural networks
CN103425986A (zh) * 2013-08-31 2013-12-04 西安电子科技大学 基于边缘邻域加权的乳腺肿块图像特征提取方法
CN105488528A (zh) * 2015-11-26 2016-04-13 北京工业大学 基于改进自适应遗传算法的神经网络图像分类方法
CN105760930A (zh) * 2016-02-18 2016-07-13 天津大学 用于aer的多层脉冲神经网络识别系统
CN106203618A (zh) * 2016-07-15 2016-12-07 中国科学院自动化研究所 一种构建带边界条件约束的神经网络的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050129306A1 (en) * 2003-12-12 2005-06-16 Xianglin Wang Method and apparatus for image deinterlacing using neural networks
CN103425986A (zh) * 2013-08-31 2013-12-04 西安电子科技大学 基于边缘邻域加权的乳腺肿块图像特征提取方法
CN105488528A (zh) * 2015-11-26 2016-04-13 北京工业大学 基于改进自适应遗传算法的神经网络图像分类方法
CN105760930A (zh) * 2016-02-18 2016-07-13 天津大学 用于aer的多层脉冲神经网络识别系统
CN106203618A (zh) * 2016-07-15 2016-12-07 中国科学院自动化研究所 一种构建带边界条件约束的神经网络的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZEILER M D等: ""Visualizing and understanding convolutional"", 《PROC OF EUROPEAN CONFERENCE ON COMPUTER VISION》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10083499B1 (en) * 2016-10-11 2018-09-25 Google Llc Methods and apparatus to reduce compression artifacts in images
CN107610140A (zh) * 2017-08-07 2018-01-19 中国科学院自动化研究所 基于深度融合修正网络的精细边缘检测方法、装置
WO2019057097A1 (zh) * 2017-09-22 2019-03-28 杭州海康威视数字技术股份有限公司 卷积运算方法、装置、计算机设备及计算机可读存储介质
CN109543139A (zh) * 2017-09-22 2019-03-29 杭州海康威视数字技术股份有限公司 卷积运算方法、装置、计算机设备及计算机可读存储介质
US11645357B2 (en) 2017-09-22 2023-05-09 Hangzhou Hikvision Digital Technology Co., Ltd. Convolution operation method and apparatus, computer device, and computer-readable storage medium
CN109583277A (zh) * 2017-09-29 2019-04-05 大连恒锐科技股份有限公司 一种基于cnn的赤足或穿袜足迹的性别判定方法
CN109583277B (zh) * 2017-09-29 2021-04-20 大连恒锐科技股份有限公司 一种基于cnn的赤足足迹的性别判定方法
CN109685088A (zh) * 2017-10-18 2019-04-26 上海仪电（集团）有限公司中央研究院 基于云端分离卷积神经网络的窄带通信智能图像分析系统
CN109815969A (zh) * 2019-03-05 2019-05-28 上海骏聿数码科技有限公司 一种基于人工智能图像识别的特征提取方法及装置

Also Published As

Publication number Publication date
CN106898011B (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
CN106898011A (zh) 一种基于边缘检测来确定卷积神经网络卷积核数量的方法
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN108038476B (zh) 一种基于边缘检测与sift的人脸表情识别特征提取方法
CN109670528B (zh) 面向行人重识别任务的基于成对样本随机遮挡策略的数据扩充方法
CN105657402B (zh) 一种深度图恢复方法
CN103544506B (zh) 一种基于卷积神经网络的图像分类方法和装置
CN108305240B (zh) 图像质量检测方法及装置
CN109858461A (zh) 一种密集人群计数的方法、装置、设备以及存储介质
CN103886308B (zh) 一种使用聚合通道特征和软级联分类器的行人检测方法
CN107610123A (zh) 一种基于深度卷积神经网络的图像美学质量评价方法
CN111798416B (zh) 基于病理图像与深度学习的肾小球智能检测方法及系统
CN106372648A (zh) 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN107832802A (zh) 基于人脸比对的人脸图像质量评价方法及装置
CN108876774A (zh) 一种基于卷积神经网络的人群计数方法
CN107194872A (zh) 基于内容感知深度学习网络的遥感图像超分辨率重建方法
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
Cao et al. Learning crisp boundaries using deep refinement network and adaptive weighting loss
CN111340123A (zh) 一种基于深度卷积神经网络的图像分数标签预测方法
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN115661943B (zh) 一种基于轻量级姿态评估网络的跌倒检测方法
CN108510504A (zh) 图像分割方法和装置
CN111612024B (zh) 特征提取方法、装置、电子设备及计算机可读存储介质
CN107145885A (zh) 一种基于卷积神经网络的单字图文字识别方法及装置
CN107516103A (zh) 一种影像分类方法和系统
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191029

Termination date: 20210106