[發明專利]基于D-MobileNet神經網絡的圖像分類方法

有效

• 申請號: 201810465364.5
• 申請日: 2018-05-16
• 公開（公告）號: CN109214406B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 王威;鄒婷;王新
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于D-MobileNet神經網絡圖像分類方法，其特征在于，所述方法包括如下步驟：

S1、準備數據集；

S2、MobileNet神經網絡的構建；

S3、D-MobileNet神經網絡的構建；

S4、超參數設置；

其中，S1的步驟包括：在Caltech_256數據集上進行實驗，將圖片轉換為tfrecord的形式進行存儲，并在訓練和測試時對圖片進行預處理，可擴大數據集圖片的數量，防止過擬合；

S2的步驟包括：MobileNet神經網絡是以深度可分離卷積核為基本結構的28層網絡的深度卷積神經網絡，一個深度可分離核由深度卷積核和點卷積核組成。MobileNet神經網絡包括、1層卷積層、13層深度可分離層、一個全局平均池化層和一層全連接輸出層，且該網絡無池化層；

S3的步驟包括：選定卷積層的層數，將該層數的卷積核由空洞卷積核替代，通過提高該卷積核的感受野來提高所學習到的特征的質量，進一步提高分類準確度；其中，替代的卷積核為排序靠前的一層或兩層高分辨率輸入特征的卷積層；

S4的步驟包括：對不同的mini_batch、learning_rate、momentum、訓練步長進行優化。

2.根據權利要求1所述的基于D-MobileNet神經網絡圖像分類方法，其特征在于，在準備數據集時，將圖像從tfrecord中讀取出來，并進行隨機的左右翻轉，隨機裁剪成指定尺寸的圖片大小，使得在神經網絡訓練完數據集的一個回合后，重新訓練數據集時，可以使得重新訓練的輸入圖片與前一次的訓練圖片有差異，可擴大數據集圖片的數量，避免網絡容易造成過擬合的問題。

3.根據權利要求1所述的基于D-MobileNet神經網絡圖像分類方法，其特征在于，搭建MobileNet神經網絡時，對Conv1卷積層設計方法如下：對輸入的原始圖片進行邊緣補償處理，使得防止特征圖減小過快，對處理過后的圖片進行卷積操作，設置卷積核的大小和滑動步長，卷積處理后得到特征圖，再經過一個Batch Normalization即BN處理，再經過ReLU激活函數得到特征映射圖，作為下一層卷積層的輸入；

對Conv2卷積層設計方法如下：該層為深度可分離層，由深度卷積層和點卷積層兩層組成。將Conv1的輸出作為Conv2深度卷積層的輸入，且進行邊緣補償操作，對處理過后的輸入進行卷積操作，設置卷積核大小和步長，卷積處理后得到特征圖，再經過一個BatchNormalization即BN處理，再經過ReLU激活函數得到特征映射圖，作為點卷積核的輸入，進行點卷積操作，得到特征圖，再經過一個Batch Normalization即BN處理，再經過ReLU激活函數得到特征映射圖，作為下一層的輸入；

后面的12層深度可分離層與Conv2卷積層設計方法相同；

對Avg_Pool15平均池化層設計方法如下：將Conv14卷積層的輸出特征映射圖進行平均池化，設置池化層卷積核大小，使得最后的輸出特征圖大小為1×1；

對FC16全連接分類層設計方法如下：將Avg_Pool15平均池化層的輸出輸入到FC16全連接層中，神經元個數為數據集的類別數，最后經過Softmax分類器進行分類。

4.根據權利要求1所述的基于D-MobileNet神經網絡圖像分類方法，其特征在于，對D-MobileNet進行構建時，在高分辨率輸入特征圖的卷積層中，將空洞卷積代替傳統的卷積進行卷積操作，重點在于選取的卷積層層數，選取卷積層層數的方式包括：

將Conv1卷積層中的卷積核用空洞卷積核替代：此方法會增加少量計算量。將MobileNet神經網絡Conv1卷積層步長設置為1，使得Conv1卷積層中的卷積核能用空洞卷積替代，為了最后全局平均池化層的輸入尺寸大小與MobileNet相同，且只增加最少的計算量，在第二層的深度可分離層中的深度卷積層的步長設置為2，后面的卷積層不變；或，

將Conv2卷積層中的深度卷積層中的卷積核用空洞卷積核替代：此方法，不增加網絡參數和計算量，不需改變網絡其他卷積層的超參數。

5.根據權利要求1所述的基于D-MobileNet神經網絡圖像分類方法，其特征在于，超參數的設置，選取幾組超參數，最后選定準確度最好的超參數。