(19)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 202210121033.6 (22)申请日 2022.02.09 (71)申请人 西安超越申泰信息科技有限公司 地址 710000 陕西省西安市国家民用航天 产业基地航拓路中段汇航广场A 座1层 102室 (72)发明人 左东润　高又松　吴之光　 (74)专利代理 机构 北京连和连知识产权代理有 限公司 1 1278 专利代理师 马鹏林　黄艳南 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(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 一种卷积神经网络结构的构建方法、 计算机 及介质 (57)摘要 本发明公开了一种卷积神经网络结构的构 建方法， 该方法包括： 卷积层采用光谱维度的一 维卷积； 全 连接层对卷积层提取的第一特征做非 线性组合， 得到第二特征； 全连接层将第二特征 映射到样 本网络。 本发明还公开了一种计算机和 计算机可读存储介质。 通过本发明的方案， 可 以 有效避免在后续分类时造成原始图像的信息丢 失， 也可以避免在对压缩后的图像进行分类时分 类器可能会将目标物的种类误判的现象发生。 权利要求书1页 说明书4页 附图2页 CN 114463560 A 2022.05.10 CN 114463560 A 1.一种卷积神经网络结构的构建方法， 其特 征在于， 包括： 卷积层采用光谱维度的一维卷积； 全连接层对所述卷积层提取的第一特 征做非线性组合， 得到第二特 征； 所述全连接层将所述第二特 征映射到样本网络 。 2.根据权利要求1所述的方法， 其特征在于， 所述卷积层采用第 一阈值个卷积核对高光 谱数据进行扫描。 3.根据权利要求1所述的方法， 其特 征在于， 所述第一阈值包括8， 16， 32中的至少一项。 4.根据权利要求1所述的方法， 其特征在于， 所述全连接层采用第 二阈值个神经元与 所 述卷积层进行对接 。 5.根据权利要求1所述的方法， 其特 征在于， 所述第二阈值包括16 。 6.根据权利要求1所述的方法， 其特 征在于， 所述全连接层的激活函数为： f(x)＝max(0,x) 其中， f(x)表示总样本的平均损失值， x表示每 个样本。 7.根据权利要求6所述的方法， 其特 征在于， 所述激活函数的优化 函数为： 其中， m代 表更新参数， loss代表损失函数， p代 表学习率。 8.根据权利要求6所述的方法， 其特 征在于， 所述激活函数的优化 函数为： 其中， fi(x)表示样本i的损失值， n表示每次迭代所需的样本数量。 9.一种计算机， 其特 征在于， 包括： 卷积层和全连接层； 其中， 所述卷积层配置用于采用光谱维度的一维卷积； 所述全连接层配置用于对所述卷积层提取的第一特 征做非线性组合， 得到第二特 征； 所述全连接层配置用于将所述第二特 征映射到样本网络 。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时， 实现如权利要求 1‑8中任一项 所述的方法所包含的步 骤。权　利　要　求　书 1/1 页 2 CN 114463560 A 2一种卷积神经 网络结构的构建 方法、 计算机及介质 技术领域 [0001]本发明涉及图像处理技术领域， 尤其涉及一种卷积神经网络结构的构建方法、 计 算机及介质。 背景技术 [0002]生活中的所有图像都取自自然界， 自然界有着自己独特的关联性。 即， 多个图像之 间存在着相似的特征。 而 卷积神经网络就是要挖掘多个图像间的关联性。 所以， 在设计卷积 神经网络时， 首先要选择卷积神经网络特有的特征分析方式， 即卷积核。 卷积核就是图像处 理时， 给定输入图像， 输入图像中一个小区域中像素加权平均后 成为输出图像中的每个对 应像素， 其中权值由一个函数定义， 这个函数称为卷积核。 通俗讲， 卷积核好比一个带有过 滤功能的扫描仪， 其可以扫描图像， 而卷积核会将图像中每个像素点中能获得的特征信息 提取出来。 故， 在对某一像素区域扫描后卷积核可以产生一个新的二维特征。 但是， 卷积核 的扫描方法并不完 美。 总会有一些 “藏匿”在图像边 缘的像素点会被遗漏掉。 发明内容 [0003]本发明提出了一种卷积神经网络结构的构建方法、 计算机及计算机可读存储介 质， 可以有效避免在后续分类时造成原始图像的信息丢失， 也可以避免在对压缩后的图像 进行分类时分类 器可能会将目标物的种类误判的现象发生。 [0004]基于上述目的， 本发明实施例的一方面提供了一种卷积神经网络结构的构建方 法， 具体包括如下步骤： [0005]卷积层采用光谱维度的一维卷积； [0006]全连接层对卷积层提取的第一特 征做非线性组合， 得到第二特 征； [0007]全连接层将第二特 征映射到样本网络 。 [0008]在一种具体可实现方式中， 卷积层采用第一阈值个卷积核对高光谱数据进行扫 描。 [0009]在一种具体可实现方式 中， 第一阈值包括8， 16， 32中的至少一项。 [0010]在一种具体可实现方式 中， 全连接层采用第二阈值个神经 元与卷积层进行对接 。 [0011]在一种具体可实现方式 中， 第二阈值包括16 。 [0012]在一种具体可实现方式 中， 全连接层的激活函数为： [0013]f(x)＝max(0,x) [0014]其中， f(x)表示总样本的平均损失值， x表示每 个样本。 [0015]在一种具体可实现方式 中， 激活函数的优化 函数为： [0016] [0017]其中， m代 表更新参数， loss代表损失函数， p代 表学习率。 [0018]在一种具体可实现方式 中， 激活函数的优化 函数为：说　明　书 1/4 页 3 CN 114463560 A 3