(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210082330.4 (22)申请日 2022.01.24 (65)同一申请的已公布的文献号 申请公布号 CN 114463556 A (43)申请公布日 2022.05.10 (73)专利权人 北京智源人工智能研究院 地址 100083 北京市海淀区中关村东路1号 院8号楼三层B201D-1 (72)发明人 陈智强　余山　陈阳　 (74)专利代理 机构 北京辰权知识产权代理有限 公司 11619 专利代理师 付婧 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 孙亚 (54)发明名称 等变网络训练方法和装置、 图像识别方法和 装置 (57)摘要 本发明公开了一种等变网络训练方法， 包 括： 构造由卷积层组成的网络模型； 利用目标变 换群对应的维度参数将所述网络模型中卷积层 的卷积操作转变为等变卷积操作； 利用训练图像 集中的图像对 所述网络模型进行训练， 以获得等 变网络。 通过在网络的卷积层中增加一个目标变 换群维度， 即利用目标变换群对应的维度参数将 网络中卷积层的卷积操作转变为等变卷积操作， 从而实现在目标变换群上的等变网络， 能够将图 像的变换与本质特征解耦。 目标变换群可以是任 意线性变换群， 包括并不限于平移变换群、 旋转 变换群、 放缩变换群、 错切变换群、 齐次空间下的 三维旋转变换群， 因此本方案能够实现任意线性 群等变网络的实现， 方案通用性强。 权利要求书2页 说明书8页 附图4页 CN 114463556 B 2022.12.16 CN 114463556 B 1.一种图像识别方法， 其特 征在于， 所述方法包括： 将图像输入已训练的等变网络 中， 以由所述等变网络对所述图像进行多次等变卷积操 作， 以得到目标变换群上等变的特征图， 并根据所述特征图进 行目标任务识别； 所述等变网 络包括多层执行等变卷积操作的卷积层， 由所述等变网络对所述图像进 行多次等变卷积操 作， 包括： 通过第一层卷积层使用变换后的卷积核对所述图像进行等变卷积操作， 并将得到的等 变的特征图输出至第二层卷积层， 所述对所述图像进行等变卷积 操作过程如下： 其中， h1(x,a)为输出特征图， f(x)为图像， x表示图像的空间维度的空间位置， a表示目 标变换群G维度的变换参数， 所述变换参数包括变换范围和采样间隔， Ψ0(Ga·x)为第一层 卷积层中变换后的卷积核， ⊙表示等变卷积符号， *表示卷积符号， y为积分变量； 从第二层卷积层开始直至最后 一层卷积层， 通过每一卷积层使用变换后的卷积核对输 入的特征图进行等变卷积操作并输出特征图， 对输入的特征图进行等变卷积操作过程如 下： 其中， hn+1(x,a)为第n层卷积层的输出特征图， hn(x,a)为第n层卷积层的输入特征图， Ψn(Ga·x)为第n层卷积层中变换后的卷积核， ⊙表示等变卷积符号， *表示 卷积符号， 第n层 卷积层中变换后的卷积核的通道数与输入特征图的数量一致， 一个通道处理一个输入特征 图， y为空间维度的积分变量， b为目标变换群G维度的积分变量； 其中， 所述等变网络的训练过程包括： 构造由卷积层组成的网络模型； 利用目标变换群 对应的维度参数将所述网络模型中卷积层的卷积操作转变为等变卷积操作； 利用训练图像 集中的图像对所述网络模型进行训练， 以获得等变网络 。 2.根据权利要求1所述的方法， 其特征在于， 利用目标变换群对应的维度参数将所述网 络模型中卷积层的卷积 操作转变为 等变卷积 操作， 包括： 利用目标变换群对应的维度参数对卷积层中使用的卷积核进行变换， 以将所述卷积层 的卷积操作转变为 等变卷积 操作。 3.根据权利要求1所述的方法， 其特征在于， 所述目标变换群对应的维度参数包括变换 范围和采样间隔； 利用目标变换群对应的维度参数对卷积层中使用的卷积核 进行变换， 包括： 按照所述采样间隔从所述变换范围中每取一个变换参数， 利用取出的变换参数对卷积 层中使用的卷积核 进行变换。 4.一种图像识别装置， 其特 征在于， 所述装置包括： 识别模块， 用于将图像输入已训练的等变网络中， 以由所述等变网络对所述图像进行 多次等变卷积操作， 以得到目标变换群上等变的特征图， 并根据所述特征图进行目标任务 识别； 所述等变网络包括多层执行等变卷积操作的卷积层， 由所述等变网络对所述图像进权　利　要　求　书 1/2 页 2 CN 114463556 B 2行多次等变卷积 操作， 包括： 通过第一层卷积层使用变换后的卷积核对所述图像进行等变卷积操作， 并将得到的等 变的特征图输出至第二层卷积层， 所述对所述图像进行等变卷积 操作过程如下： 其中， h1(x,a)为输出特征图， f(x)为图像， x表示图像的空间维度的空间位置， a表示目 标变换群G维度的变换参数， 所述变换参数包括变换范围和采样间隔， Ψ0(Ga·x)为第一层 卷积层中变换后的卷积核， ⊙表示等变卷积符号， *表示卷积符号， y为积分变量； 从第二层卷积层开始直至最后 一层卷积层， 通过每一卷积层使用变换后的卷积核对输 入的特征图进行等变卷积操作并输出特征图， 对输入的特征图进行等变卷积操作过程如 下： 其中， hn+1(x,a)为第n层卷积层的输出特征图， hn(x,a)为第n层卷积层的输入特征图， Ψn(Ga·x)为第n层卷积层中变换后的卷积核， ⊙表示等变卷积符号， *表示 卷积符号， 第n层 卷积层中变换后的卷积核的通道数与输入特征图的数量一致， 一个通道处理一个输入特征 图， y为空间维度的积分变量， b为目标变换群G维度的积分变量； 其中， 所述装置还 包括： 训练模块， 用于构造由卷积层组成的网络模型； 利用目标变换群对应的维度参数将所 述网络模型中卷积层的卷积操作转变为等变卷积操作； 利用训练图像集中的图像对所述网 络模型进行训练， 以获得等变网络 。 5.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑3任一项所述方法的步 骤。权　利　要　求　书 2/2 页 3 CN 114463556 B 3