基于Capsule网络和迁移学习的甲骨文构件识别系统

摘要

本发明涉及基于Capsule网络和迁移学习的甲骨文构件识别系统。Capsule网络将激活向量视作逻辑单元，其长度表示特定实体出现的概率，以判断图像中实例化实体的存在与否。为此，Capsule网络需要使用一种新型的非线性激活函数：将较短和较长的激活向量的长度分别缩放至0和1附近，并将向量长度控制在0和1之间。通过Squashing激活函数，Capsule实现了用激活向量的模长来表示实体出现的概率；本案通过数据增强（Data Augmentation）方法，对原始图片进行旋转、平移、反转、放缩等随机干扰，生成新的样本，从而扩充原始数据集。将扩充后的数据集样本进行归一化处理，放缩至(0,1)区间，并按照4:1的比例进行训练集‑测试集拆分，同时对样本标签进行独热编码。