【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种图像识别方法。
技术介绍
1、当前图像识别技术的发展主要集中在两个方向：传统机器学习方法和深度学习方法。传统机器学习方法依赖于手工特征提取，如边缘检测、颜色和纹理分析，并使用支持向量机(svm)、决策树或随机森林等算法进行分类。这些方法在简单或受限的图像数据集上表现良好，但在处理更复杂和多变的图像时，它们通常缺乏必要的灵活性和准确性。
2、相比之下，深度学习，尤其是卷积神经网络(cnn)，已成为图像识别领域的主流技术。cnn通过自动从数据中学习特征，消除了手动特征工程的需求，使得在复杂任务如面部识别、物体检测和图像分割等方面表现出色。然而，尽管深度学习方法取得了显著的进展，但在处理多尺度图像特征时仍存在一些局限性。这些局限性包括增加的计算复杂度和内存需求，特征融合策略的选择挑战，尺度选择和过度拟合问题，以及实时处理和大量标注数据的需求。
3、在这个背景下，脉冲神经网络(snn)作为一种新兴技术，受到了越来越多的关注。snn是一种受生物大脑启发的神经网络，它通过尖峰的时间模式来处理信息，与传统的人工神经网络在处理方式上有本质的不同。在图像处理中，snn已被应用于低功耗图像分类、动态视觉传感器数据处理等领域。由于其生物学上的真实性，snn在处理时间动态信息和进行能量高效计算方面显示出巨大潜力。
4、综上所述，虽然深度学习方法在图像识别领域取得了显著的成就，但多尺度特征提取的挑战和snn的潜力表明，图像识别技术仍有进一步发展和优化的空间。随着技术的不断进步，我们可
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种基于多尺度特征提取机制的图像识别方法，以解决在少量数据训练下提升神经网络对图像识别性能的技术问题，并解决增强神经网络对噪声和对抗性攻击的鲁棒性的技术问题，以及解决减少神经网络对计算资源需求的技术问题。
2、本专利技术基于多尺度特征提取机制的图像识别方法包括以下步骤：
3、1)将静态图片扩展为动态信息i(x,y,t)作为输入，i(x,y,t)表示图像在(x,y)位置t时刻的光强，然后对光强进行三次高斯模糊：
4、
5、公式(1)中，*表示卷积操作，卷积会同时计算过去和未来时间上的光强；
6、2)通过snn模型提取输入图像的特征，其包括：
7、2.1)所述snn模型包括由v1神经网络层、v2神经网络层和第一抑制神经元层组成的预处理模型，通过预处理模型对输入进行初步特征提取：
8、v1神经网络层由v1简单神经元和v1复杂神经元组成，v1简单神经元的接收域为一个基于时空的高维滤波器，使用单位向量来描述高维滤波器的对应的时空方向，′表示矢量变化操作，即转换为单位向量；时空方向与输入移动方向相同时高维滤波器才会被激活，时空方向与输入移动方向垂直时高维滤波器不响应；
9、v1神经网络层先计算v1简单神经元对输入光强的三维高斯滤波响应：
10、
11、式中r表示时空尺度，σv1simple为高斯半径；v1简单神经元在位置(x,y)，时空尺度r，方向处的线性响应为：
12、
13、式中！为阶乘，x＝3-y-t，αv1lin为比例因子，上式简写形式为：
14、lr＝αv1linmbr (4)
15、式中br为r尺度上的微分部分；m为28×28的矩阵，对应部分为每一行对k取不同值，每一列对x，y和t取不同值；响应l在位置(x,y)靠近图片边缘时会变得很大，因此还需要校正处理一下：
16、
17、式中skr即为v1简单神经元的响应，αv1rect为比例因数，αv1semi为半饱和常数，σv1norm为高斯半径，αfilt→rate,r是将无单位的滤波响应值映射到更有意义的放电频率；v1复杂神经元的响应为对v1简单神经元响应的局部加权平均值：
18、
19、式中，σv1comp为高斯半径，αv1comp为比例因子；
20、所述预处理模型中的v2神经网络层对v1复杂神经元的响应进行处理，v2神经网络层包括四组神经元，每组神经元只对四个特定的空间方向：水平、右对角线、垂直和左对角线中的一个方向高度敏感；对于任意一个方向用单位向量来表示，v1复杂神经元到v2神经网络层的投影权重的表达式如下：
21、
22、式中，矩阵m和向量br与公式(4)中相同，表示v1复杂神经元投影到v2神经元的权重，两个神经元对应同样的(x,y)才会连接，最终计算出v1复杂神经元到v2神经元的投影矩阵；
23、v1复杂神经元还与所述第一抑制神经元层连接，第一抑制神经元层还与v2神经网络层连接，第一抑制性神经元聚焦于v2神经网络层中特定方向调谐的邻近神经元，并向反方向调谐的神经元发送抑制性信号；
24、2.2)所述snn模型还包括由v2神经网络层、v4神经网络层和第二抑制神经元层连接组成的基础模型，通过基础模型对预处理模型的输出进行特征提取：
25、v2神经网络层中神经元与v4神经网络层中神经元之间的连接遵循高斯分布，即空间上靠近的神经元之间具有更高的连接概率和更高的初始连接权重；v4神经元向第二抑制神经元组提供前馈兴奋，而第二抑制神经元组向v4神经元提供反馈抑制，两种连接都遵循均匀随机连接，连接概率为10％；
26、预处理模型中v2神经网络层输出的四个方向的脉冲响应经过泊松编码后分别输入到基础模型中，基础模型产生四个方向的权重wi和对应四个方向的v4神经网络层的放电频率hi；
27、3)采用回声状态网络作为决策模型，回声状态网络通过识别v4神经网络层的放电率判定图像的类别。
28、进一步，在步骤2.2)中，v2神经网络层到v4神经网络层的连接权值、v4神经网络层到第二抑制神经元组的连接权值和第二抑制神经元组到v4神经网络层的连接权值通过如下学习方法得到：
29、连接突触前神经元i和突触后神经元j的特定突触wi,j的总影响描述如下：
30、
31、其中参数α和β项用于控制脉冲时序相关性塑性stdp的强度和内稳态honmeostasis，将β的值固定为1，通过演化过程对α的数值进行优化；参数k为调节因子，其减少权重更新时的振荡现象并提升学习速度，k定义如下：
32、
33、其中，参数t是突触后神经元的放电率平均的时间尺度；参数γ是调谐因子，用于影响学习过程的敏感度；
34、公式(8)中第一项描述了稳态尺度，它是神经元j的平均放电率和目标放电率rtarget之间的比值的函数；随着稳态尺度的变化，如果神经元活动过于频繁时，权重变化率降低，如果神经元过度静止，权重变化率增加；公式(8)第二项β(ltpi,j+ltdi.j)描述了stdp，它由长时程增强ltp和长时程抑制lt本文档来自技高网...
【技术保护点】
1.基于多尺度特征提取机制的图像识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于多尺度特征提取机制的图像识别方法，其特征在于：在步骤2.2)中，V2神经网络层到V4神经网络层的连接权值、V4神经网络层到第二抑制神经元组的连接权值和第二抑制神经元组到V4神经网络层的连接权值通过如下学习方法得到：
3.根据权利要求2所述的基于多尺度特征提取机制的图像识别方法，其特征在于：在步骤2.2)中通过STDP-H学习规则以无监督的方式更新连接权值时，通过由μ和λ与进化策略ES组成的命名为(μ,λ)-ES的进化策略对每次迭代的STDP-H学习规则的参数进行优化，其中μ表示每一代中的父代个体网络候选解数量，λ表示产生的子代个体网络候选解数量；每次迭代中根据λ个子代解的表现，选择表现最好的μ个候选解作为下一代的父代；
【技术特征摘要】
1.基于多尺度特征提取机制的图像识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于多尺度特征提取机制的图像识别方法，其特征在于：在步骤2.2)中，v2神经网络层到v4神经网络层的连接权值、v4神经网络层到第二抑制神经元组的连接权值和第二抑制神经元组到v4神经网络层的连接权值通过如下学习方法得到：
3.根据权利要求2所述的基于多尺度特...
【专利技术属性】
技术研发人员：李秀敏，林菀艳，邵博，卫丕甲，陈秋娴，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。