(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 202111644346.1 (22)申请日 2021.12.2 9 (71)申请人 江苏航天大为科技股份有限公司 地址 214000 江苏省无锡市锡山经济开发 区科技工业园1号 (72)发明人 吴秋硕　付本刚　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 胡伟 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 10/84(2022.01) (54)发明名称 一种基于贝叶斯深度学习的图像分析方法 (57)摘要 本发明提供一种基于贝叶斯深度学习的图 像分析方法， 包括以下步骤： S1： 获取待分析图 像； S2： 利用卷积神经网络提取待分析图像的特 征数据； S3： 将特征数据输入贝叶斯全连接层进 行多次预测， 取多次预测的平均值作为最终预测 结果； S4： 提取最终预测结果的不确定性度量； S5： 输出最终预测结果和不确定性度量作为图像 分析结果。 本发 明提供一种基于贝叶斯深度学习 的图像分析方法， 克服了传统深度学习在推理阶 段属于点估计的缺点， 解决了正则化近似BDL模 型估计不确定性效果较 差的问题。 权利要求书2页 说明书6页 附图4页 CN 114463268 A 2022.05.10 CN 114463268 A 1.一种基于贝叶斯深度学习的图像分析 方法， 其特 征在于， 包括以下步骤： S1： 获取待分析图像； S2： 利用卷积神经网络提取待分析图像的特 征数据； S3： 将特征数据输入贝叶斯全连接层进行多次预测， 取多次预测的平均值作为最终预 测结果； S4： 提取最终预测结果的不确定性度量； S5： 输出最终预测结果和不确定性度量作为图像分析 结果。 2.根据权利要求1所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 在步 骤S2中， 所述卷积神经网络为Vg g16卷积神经网络 。 3.根据权利要求1或2所述的一种基于贝叶斯深度学习的图像分析方法， 其特征在于， 在将特征数据输入贝叶斯全连接层之前， 还包括以下步骤： 将特征数据进 行一维化处理， 得 到一维的特 征数据。 4.根据权利要求1所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 还包 括对所述贝叶斯全连接层进行训练以得到以下后验分布： P(Y|X,D)＝ ∫P(X|Y,W)P(W|D)dW 其中， X表示由训练数据D组成的训练数据集， Y表示贝叶斯全连接层的输出结果， W表示 贝叶斯全连接层的权 重集合。 5.根据权利要求4所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 还包 括以下步骤： 采用Flipout估计器在小批量内进行独立的权重扰动， 假设贝叶斯全连接层中当前层 的权重为 则其输出 结果为： 其中， φ(·)表示激活函 数， 表示当前层的平均权重， Δ w表示当前层的扰动权重， *表 示矩阵元 素乘积， S和R分别是服从Rademac her分布的横向量和纵向量。 6.根据权利要求5所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 假设 贝叶斯全连接层的权重和偏置服从正态分布， 则将其每一层的权重转换， 得到转换后的权 重集合： 其中， 表示 的集合， ΔW表示Δw的集合， W～N( μ, σ )， μ和 δ分别是高斯分布的均值和 方差， 初始值分别为0和1； r1和r2是服从Rademac her分布的随机量。 7.根据权利要求6所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 在完 成权重的转换之后还 包括以下步骤： 使用Adam激活函数将完成转换的权 重和偏置一 起完成激活运 算； 通过以下公式计算偏置和权 重的KL散度， 计算对象为各自的先验分布和后验分布： 将计算后的KL散度作为当前层的损失值传递到下一层。 8.根据权利要求1所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 在步权　利　要　求　书 1/2 页 2 CN 114463268 A 2骤S4中， 利用信息熵方法提取最终预测结果的不确定性度量。 9.根据权利要求8所述的一种基于贝叶斯深度 学习的图像分析方法， 其特征在于， 通过 以下公式提取 得到当前层的不确定性度量： 其中， X表示训练数据集， y表示当前层的输出 结果。 10.根据权利要求9所述的一种基于贝叶斯深度学习的图像分析方法， 其特征在于， 通 过蒙特卡洛抽样 将p(y|X)替换为： 其中， T为 蒙特卡洛抽样次数， ωi为贝叶斯全连接层的第i层权 重。权　利　要　求　书 2/2 页 3 CN 114463268 A 3