[發(fā)明專利]一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的圖像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810448134.8
• 申請(qǐng)日: 2018-05-11
• 公開（公告）號(hào): CN108647723B
• 公開（公告）日: 2020-10-13
• 發(fā)明（設(shè)計(jì)）人: 王改華;呂朦;袁國(guó)亮;劉文洲;李濤
• 申請(qǐng)（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魏波

1.一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的圖像分類方法，其特征在于，包括以下步驟：

步驟1：首先建立與ResNext網(wǎng)絡(luò)相同的提取特征部分，根據(jù)參數(shù)設(shè)置，將每個(gè)參數(shù)相同的卷積塊分為一節(jié)，并對(duì)每節(jié)部分進(jìn)行同樣大小卷積塊的刪減；

步驟2：在建立好網(wǎng)絡(luò)的每節(jié)部分中提取每一部分網(wǎng)絡(luò)得到的特征圖，處理后獲得最后的特征列向量；

步驟2的具體實(shí)現(xiàn)包括以下子步驟：

步驟2.1：將每一部分獲得的特征圖進(jìn)行均勻池化，一共有N節(jié)部分時(shí)，第一部分池化后特征圖大小為2^(N-1)*2^(N-1)，第二部分池化后特征圖大小為2^(N-2)*2^(N-2)，以此類推，最后一部分池化后特征圖大小為2^(N-N)*2^(N-N)；

步驟2.2：將每一部分的每一張?zhí)卣鲌D轉(zhuǎn)化為列向量排列，然后整個(gè)部分順序連接為列向量，最后將每個(gè)列向量順利連接為最后的特征列向量；

步驟3：將最后的特征列向量與softmax分類器進(jìn)行全連接，使整個(gè)網(wǎng)絡(luò)完整；

步驟4：將已知數(shù)據(jù)庫(kù)輸入到整個(gè)網(wǎng)絡(luò)中，運(yùn)用梯度下降法進(jìn)行調(diào)節(jié)，當(dāng)訓(xùn)練精度和驗(yàn)證精度到預(yù)設(shè)程度后，保存調(diào)節(jié)好后的權(quán)值；

步驟5：將網(wǎng)絡(luò)運(yùn)用到新數(shù)據(jù)庫(kù)時(shí)，用保存好的權(quán)值進(jìn)行遷移學(xué)習(xí)；

其中，將保持好的權(quán)值對(duì)網(wǎng)絡(luò)進(jìn)行權(quán)值初始化，然后運(yùn)用梯度下降法調(diào)節(jié)網(wǎng)絡(luò)。