(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 (43)申请公布日 (21)申请 号 202210022437.X (22)申请日 2022.01.10 (71)申请人 安徽理工大 学 地址 232001 安徽省淮南市田家庵区泰丰 大街168号 (72)发明人 赵佰亭　贾晓芬　郭永存　黄友锐　 李建桥　于业齐　 (74)专利代理 机构 西安知诚思 迈知识产权代理 事务所(普通 合伙) 61237 代理人 闵媛媛 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01) G06V 10/56(2022.01)G06V 10/54(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像的残差胶囊网络分类模型、 分类方法、 设备及存 储介质 (57)摘要 本发明公开了一种图像的残差胶囊网络分 类模型、 分类方法、 设备及存储介质， 分类模型， 包括残差提取模块、 胶囊模块、 重构模块， 残差提 取模块用于提取编入胶囊层的待分类图像的深 层信息； 胶囊模块， 包括主胶囊层与数字胶囊， 主 胶囊层用于实现标量神经元到向量神经元的转 换， 通过路由算法实现主胶囊层与数字胶囊之间 参数的迭代更新， 所述数字胶囊层用于识别特征 所属类别； 重构模块基于数字胶囊层的识别结果 通过反卷积重构图像， 得到分类后图像。 本发明 重构图像还原真实性强， 重构误差小， 具有高效 率、 低人力、 高精度的识别效果， 模型参数量小、 运行速度快、 分类精度高。 权利要求书3页 说明书9页 附图3页 CN 114359638 A 2022.04.15 CN 114359638 A 1.一种图像的残差胶囊网络分类模型， 其特 征在于， 包括 残差提取模块， 所述残差提取模块用于提取编入胶囊层的待分类图像的深层信息； 胶囊模块， 包括主胶囊层与数字胶囊， 所述主胶囊层用于实现标量神经元到向量神经 元的转换， 通过路由算法实现主胶囊层与数字胶囊之间参数 的迭代更新， 所述数字胶囊层 用于识别特 征所属类别； 重构模块， 所述重构模块基于数字胶囊层的识别结果通过反卷积重构图像， 得到分类 后图像。 2.根据权利要求1所述一种图像的残差胶囊 网络分类模型， 其特征在于， 所述残差提取 模块由三个依次相连的残差提取块组成， 每个残差提取块均包含滤波器、 四个残差单元、 一 个1×1卷积层、 beta ‑mish激活函数层， 三个依次相连的残差提取块包含的滤波器个数成倍 递增； 每个残差提取块中的残差单元密集连接， 即对于每一层残差单元， 所有 先前层的特征 图都用作输入， 每一层残差单 元输出的特 征图则用作所有后续层的输入。 3.根据权利要求1所述一种图像的残差胶囊 网络分类模型， 其特征在于， 第 一个所述残 差单元先将输入特征分解为n条支路， 每个分支依次经过3 ×3卷积、 BN层和beta ‑mish激活 层后， 再融合n个分支的结果， 得到特征图T， 对特征图T进行1 ×1卷积后和旁路h1(x)相加， 再通过beta ‑mish函数将其激活， 获得第i个残差提取块的第1个残差单元的输出 i为残差提取块的编号； 作为后续三个残差单元的输入， 作为后续两 个残差单元的输入， 作为后续一个残差单元的输入； 其中， 分别表示第i个残 差提取块的第2、 3个残差单 元的输出， 表示第1个残差提取块的第1个残差单 元的输出； 第i个残差提取块的最终输出为： 级联4个残差单元的输出经过1 ×1卷积和beta ‑mish 激活层后， 和第i个残差提取块的输入融合而成。 4.根据权利要求1所述一种图像的残差胶囊 网络分类模型， 其特征在于， 在输入所述胶 囊网络之前， 通过激活函数beta ‑mish增加分类模 型的非线性； 所述主胶 囊层中胶囊的个数 和维数的乘积等于输入主胶囊层的特征图的个数； 所述数字胶囊层接受主胶囊层的输出， 数字胶囊的个数 取决于图像的种类， 每一个数字胶囊 对应一个分类标签。 5.根据权利要求1所述一种图像的残差胶囊 网络分类模型， 其特征在于， 所述重构模块 包括 全连接层， 数量 为1； 反卷积层， 数量为4， 4个反卷积层的卷积核大小都为3 ×3， 步幅分别为1、 2、 2、 1， 滤波器 的数量成倍 递减。 6.一种如权利要求1～5任一项所述的图像的残差胶囊 网络分类模型的分类方法， 其特 征在于， 按照以下步骤进行： 步骤S1、 将待分类图像输入到图像的残差胶囊网络分类模型的残差提取模块； 步骤S2、 残差提取模块先通过一层 卷积、 批归一化和beta ‑mish激活层提取待分类图像 的初级特征， 再通过三个依 次相连的残差提取块提取待分类图像的深层特征， 得到用于提 取编入胶囊层的待分类图像的深层信息； 步骤S3、 将残差提取模块提取的深层信息编入到胶囊模块的主胶囊层， 实现标量神经 元到向量神经元 的转换， 在损失函数 的约束下， 通过路由算法实现主胶囊与数字胶囊之间权　利　要　求　书 1/3 页 2 CN 114359638 A 2参数的迭代更新， 由数字胶囊层识别特 征所属类别； 步骤S4、 对数字胶囊层的识别结果 通过重构模块完成图像重构， 得到分类后图像。 7.根据权利要求6所述一种图像的残差胶囊 网络分类模型的分类方法， 其特征在于， 所 述步骤S2中提取深层信息的方法具体为： 初级特征X0输入至第1个残差提取块， 通过一层卷积、 批归 一化和beta ‑mish激活层进一 步提取输入特征， 第1个残差提取块中的第1个残差单元先将 输入特征分解为n条支路， 每个 分支依次经过3 ×3卷积、 批归一化和beta ‑mish激活层后， 再融合n个 分支的结果， 得到特征 图T， 对T进行1 ×1卷积后和旁路相加， 再通过beta ‑mish函数激活， 获得第1个残差单元的输 出 其中， 旁路为X0经过1×1卷积操作、 批归一 化得到； X0及 的级联结果作为第1个残差提取块的第2个残差单元的输入特征， 通过与第1个 残差单元 相同的 操作 ， 获得 第2个残差单元的 输出 对应的 旁路公式 此时i＝1， j＝2， 即X0及 的级联结果； X0、 及 的级联结果作为第1个残差提取块的第3个残差单元的输入特征， 通过与第 1个残差单元相同的操作， 获得第3个残差单元的输出 对应的旁路公式 此时i＝1， j＝3； X0、 及 的级联结果作为第1个残差提取块的第4个残差单元的输入特征， 通 过与第1个残差单元相同的操作， 获得第4个残差单元的输出 对应的旁路公式 此时i＝1， j＝4； 第1个残差提取块的最终输出为级联4个残差单元的输出经过1 ×1卷积和beta ‑mish激 活层后， 和第1个REB的输入X0融合而成， 即X1； 如果i＝2， X1输入至第2个残差提取块的第1个残差单元， 通过与第1个残差提取块相同 的操作， 第2个残差提取块 最终输出 X2； 如果i＝3， X2输入至第3个残差提取块的第1个残差单元， 通过与第1个残差提取块相同 的操作， 第3个残差提取块 最终输出 X3。 8.根据权利要求6所述一种图像的残差胶囊 网络分类模型的分类方法， 其特征在于， 所 述步骤S3中， 主胶囊层和数字胶囊层的关系为， 权　利　要　求　书 2/3 页 3 CN 114359638 A 3