改进胶囊网络的小样本图像分类算法

为了解决胶囊网络不能对复杂的小样本图像进行有效分类的问题,提出一种将Darknet进行改进融入胶囊网络的分类模型。首先将Darknet改进为同时包含浅层与深层特征提取器的模型,浅层特征提取器采用5×5的卷积核以捕捉长距离的边缘轮廓特征,深层特征提取器采用3×3的卷积核以捕捉更深层的语义特征,再将图像的浅层边缘特征与深层语义特征进行融合,以保留图像的有效特征;接着利用胶囊网络对图像有效特征进行向量化处理,解决特征空间表征能力缺失的问题;最后在损失函数中加入L2正则化项,避免模型的过拟合问题。实验结果表明,在小样本数据集上,该模型相比胶囊网络、DCaps模型分类准确率分别提升28.51个百分点和24.40个百分点,相比ResNet50、Xception等卷积神经网络分别提升21.57个百分点和18.02个百分点,显示该方法对复杂小样本图像分类性能提升明显;同时在大样本数据集上,该模型的分类性能也获得了一定程度的提升。