一种全卷积神经网络及相应的细观结构识别方法

1.一种全卷积神经网络,依次由一个编码器网络、一个解码器网络和一层分类层组成,其特征在于：编码器网络依次由编码器一、编码器二、编码器三、编码器四、编码器五组成,每个编码器依次由多层卷积层和一层池化层组成,池化层用于缩小图片分辨率；前两个编码器具有两层卷积层,后三个编码器具有三层卷积层,每个编码器的各卷积层特征通道数目相同,五个编码器的卷积层特征通道数目分别为64、128、256、512、512；在编码器一和编码器二中,第一层卷积层之后采用非线性处理,第二层卷积层之后采用批正则化和非线性处理,之后池化层进行最大池化来缩小图片分辨率；在编码器三到编码器五中,第一层和第二层卷积层之后均采用非线性处理,第三层卷积层之后采用批正则化和非线性处理,之后池化层进行最大池化来缩小图片分辨率；在最大池化过程中,采集每一个特征通道的最大池化索引,池化索引的通道数与池化层相邻上一层卷积层输出的特征通道数目相同；编码器网络的输出进入解码器网络,解码器网络依次由解码器一、解码器二、解码器三、解码器四、解码器五组成,每个解码器依次由一层上采样层和多层卷积层组成,上采样层用于放大图像分辨率；解码器的卷积层与编码器的卷积层对称设置,即前三个解码器具有三层卷积层,后两个解码器具有两层卷积层,解码器一的三层卷积层特征通道数目均为512,解码器二的三层卷积层特征通道数目分别为512、512、256,解码器三的三层卷积层特征通道数目分别为256、256、128,解码器四的两层卷积层特征通道数目分别为128、64,解码器五的两层卷积层特征通道数目分别为64、5；在解码器一到解码器三中,第一层卷积层之后采用批正则化和非线性处理,第二层和第三层卷积层之后均采用非线性处理；在解码器四和解码器五中,第一层卷积层之后采用批正则化和非线性处理,第二层卷积层之后采用非线性处理；在上采样过程中,输入到上采样层的信息包括上一层输出的特征通道和对应编码器池化层的最大池化索引,在上采样层中,特征通道中的像素值根据最大池化索引被赋予到放大分辨率图像的对应位置,各解码器的具体设置如下：解码器一对应于编码器五,解码器一的上采样层通过最大池化索引连接获得编码器五池化层的最大池化索引；编码器五池化层的输出依次经过解码器一的上采样层和第一层卷积层之后得到解码器一第一层卷积层的特征通道,复制解码器一第一层卷积层的特征通道并与编码器五第三层卷积层的特征通道相连接,进行卷积计算,形成解码器一第二层卷积层,之后将解码器一第二层卷积层的输出再进行一次卷积计算,形成解码器一第三层卷积层；解码器二对应于编码器四,解码器二的上采样层通过最大池化索引连接获得编码器四池化层的最大池化索引；解码器一第三层卷积层的输出依次经过解码器二的上采样层和第一层卷积层之后得到解码器二第一层卷积层的特征通道,复制解码器二第一层卷积层的特征通道并与编码器四第三层卷积层的特征通道相连接,进行卷积计算,形成解码器二第二层卷积层,之后将解码器二第二层卷积层的输出再进行一次卷积计算,形成解码器二第三层卷积层；解码器三对应于编码器三,解码器三的上采样层通过最大池化索引连接获得编码器三池化层的最大池化索引；解码器二第三层卷积层的输出依次经过解码器三的上采样层和第一层卷积层后得到解码器三第一层卷积层的特征通道,复制解码器三第一层卷积层的特征通道并与编码器三第三层卷积层的特征通道相连接,进行卷积计算,形成解码器三第二层卷积层,之后将解码器三第二层卷积层的输出再进行一次卷积计算,形成解码器三第三层卷积层；解码器四对应于编码器二,解码器四的上采样层通过最大池化索引连接获得编码器二池化层的最大池化索引；解码器三第三层卷积层的输出依次经过解码器四的上采样层和第一层卷积层后得到解码器三第一层卷积层的特征通道,复制解码器三第一层卷积层的特征通道并与编码器二第二层卷积层特征通道相连接,进行卷积计算,形成解码器四第二层卷积层；解码器五对应于编码器一,解码器五的上采样层通过最大池化索引连接获得编码器一池化层的最大池化索引；解码器四第二层卷积层的输出依次经过解码器五的上采样层和第一层卷积层后得到解码器四第一层卷积层的特征通道,复制解码器四第一层卷积层的特征通道并与编码器一第二层卷积层的特征通道相连接,进行卷积计算,形成解码器五第二层卷积层；解码器网络输出的特征通道最终进入分类层,其中,解码器五第二层卷积层输出的特征通道数目等于分类层最终分类的数目。