基于卷积神经网络的花朵图片分类算法

张小锋，刘红铮

(南昌航空大学江西省图像处理与模式识别重点实验室，江西 南昌 330063)

0 引 言

随着科技的发展，人们越来越方便地使用电子设备拍摄花朵图片，催生了花朵识别的研究。之前人们对花朵识别的研究一直无法取得进步，主要是因为特征提取都是依靠手工提取。手工特征提取不仅耗费大量的时间，还需要一定的专业知识。花朵识别作为一种细粒度图像识别，特征的提取更为复杂。随着卷积神经网络(Convolutional Neural Network, CNN)的发展，图片的特征可以自动提取，花朵图片的分类也开始利用CNN。

1 卷积神经网络

1.1 卷积层

每一个卷积层都含有多个特征图(feature map)，卷积层中特征图通过卷积核与上一层的特征图构成局部连接。如图1所示，特征图的尺寸大小为32×32。

图1 卷积层过滤器结构图

由于卷积可以看作是2个函数的加权叠加，所以卷积过程就是卷积核与特征图上对应部分的矩阵进行相乘并加上偏置。

由图2可知原始的输入为3×3的矩阵，卷积核为2×2的矩阵，卷积核从输入特征图的左上角进行卷积得到1×(-2)+2×0+(-1)×1+0×(-1)=-3，依次计算得到其余的值。由此可以得到卷积核矩阵与输入的卷积计算公式为：

(1)

其中n为输入的通道数，h、w为卷积核矩阵的尺寸，i为第i个卷积核，b为偏置，f为激活函数。

图2 卷积过程

1.2 池化层

图3 最大池化和均值池化

1.3 全连接层

全连接层在整个神经网络中起分类的作用。全连接层前一层是卷积层时，全连接层可以看做是h×w的全尺寸卷积，h和w为前一层输出的大小。如果前一层是全连接层，则转化为卷积核为1×1的全连接。……