[發明專利]一種建立圖像分類神經網絡模型及圖像分類方法、裝置

有效

• 申請號: 201810415434.6
• 申請日: 2018-05-03
• 公開（公告）號: CN108805166B
• 公開（公告）日: 2019-11-15
• 發明（設計）人: 吳鵬;張強;林國強;陳其鵬;王岳;韓強;王揚;楊青
• 申請（專利權）人: 全球能源互聯網研究院有限公司;國網天津市電力公司;國家電網有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11250 北京三聚陽光知識產權代理有限公司
• 代理人: 李博洋<國際申請>=<國際公布>=<進入

1.一種建立圖像分類神經網絡模型的方法，其特征在于，包括：

獲取包含已分類圖像的訓練集；

根據密集連接卷積神經網絡模型的密集塊中各卷積層之間的距離，確定輸入所述密集塊中各卷積層的特征圖的數量，形成第二密集連接卷積神經網絡模型；

使用所述訓練集對所述第二密集連接卷積神經網絡模型進行訓練，生成圖像分類神經網絡模型；

其中，根據密集連接卷積神經網絡模型的密集塊中各卷積層之間的距離，確定輸入所述密集塊中各卷積層的特征圖的數量，形成第二密集連接卷積神經網絡模型，包括：

獲取所述密集塊中各卷積層之間的距離和相鄰兩個所述卷積層之間傳遞的特征圖的數量；

根據所述密集塊中各卷積層之間的距離和相鄰兩個所述卷積層之間傳遞的特征圖的數量，確定輸入所述密集塊各卷積層的特征圖數量增長率；

根據所述增長率，確定輸入所述密集塊中各卷積層的特征圖的數量，形成第二密集連接卷積神經網絡模型；

其中，通過如下公式確定輸入所述密集塊各卷積層的特征圖數量增長率G：

其中，ΔL表示所述密集塊中第一層卷積層與最后一層卷積層之間的距離，h表示相鄰兩個所述卷積層之間的距離，s表示第一層卷積層輸出的特征圖的數量，s₀表示相鄰兩個所述卷積層之間傳遞的特征圖的數量；

通過如下公式確定輸入所述密集塊中各卷積層的特征圖的數量，s_L表示輸入第L層卷積層的特征圖的數量，L為大于等于2的正整數：

其中，s₁表示輸入所述密集塊第一層卷積層的特征圖的數量，l表示向第L層卷積層輸入特征圖的卷積層。

2.一種圖像分類方法，其特征在于，包括：

獲取待分類圖像數據；

使用如權利要求1所述的圖像分類神經網絡模型對所述待分類圖像數據進行分類。

3.一種建立圖像分類神經網絡模型的裝置，其特征在于，包括：

訓練集獲取模塊，用于獲取包含已分類圖像的訓練集；

第二卷積神經網絡模型建立模塊，用于根據密集連接卷積神經網絡模型的密集塊中各卷積層之間的距離，確定輸入所述密集塊中各卷積層的特征圖的數量，形成第二密集連接卷積神經網絡模型；

圖像分類神經網絡模型生成模塊，用于使用所述訓練集對所述第二密集連接卷積神經網絡模型進行訓練，生成圖像分類神經網絡模型；

其中，所述第二卷積神經網絡模型建立模塊包括：

距離和數量參數獲取模塊，用于獲取所述密集塊中各卷積層之間的距離和相鄰兩個所述卷積層之間傳遞的特征圖的數量；

增長率確定模塊，用于根據所述密集塊中各卷積層之間的距離和相鄰兩個所述卷積層之間傳遞的特征圖的數量，確定輸入所述密集塊各卷積層的特征圖數量增長率；

第二卷積神經網絡模型形成模塊，用于根據所述增長率，確定輸入所述密集塊中各卷積層的特征圖的數量，形成第二密集連接卷積神經網絡模型；

其中，所述增長率確定模塊通過如下公式確定輸入所述密集塊各卷積層的特征圖數量增長率G：

其中，ΔL表示所述密集塊中第一層卷積層與最后一層卷積層之間的距離，h表示相鄰兩個所述卷積層之間的距離，s表示第一層卷積層輸出的特征圖的數量，s₀表示相鄰兩個所述卷積層之間傳遞的特征圖的數量；

所述第二卷積神經網絡模型形成模塊通過如下公式確定輸入所述密集塊中各卷積層的特征圖的數量，s_L表示輸入第L層卷積層的特征圖的數量，L為大于等于2的正整數：

其中，s₁表示輸入所述密集塊第一層卷積層的特征圖的數量，l表示向第L層卷積層輸入特征圖的卷積層。

4.一種圖像分類裝置，其特征在于，包括：

待分類圖像數據獲取模塊，用于獲取待分類圖像數據；

圖像分類模塊，用于使用如權利要求3所述的圖像分類神經網絡模型對所述待分類圖像數據進行分類。

5.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機指令，所述計算機指令用于使所述計算機執行如權利要求1所述的建立圖像分類神經網絡模型的方法或如權利要求2所述的圖像分類方法。

6.一種電子設備，其特征在于，包括：存儲器和處理器，所述存儲器和所述處理器之間互相通信連接，所述存儲器存儲有計算機指令，所述處理器通過執行所述計算機指令，從而執行如權利要求1所述的建立圖像分類神經網絡模型的方法或如權利要求2所述的圖像分類方法。