[發(fā)明專利]一種基于VGG16及SVM實現(xiàn)圖片二分類的方法在審
| 申請?zhí)枺?/td> | 201910516296.5 | 申請日: | 2019-06-14 |
| 公開(公告)號: | CN110321936A | 公開(公告)日: | 2019-10-11 |
| 發(fā)明(設(shè)計)人: | 林建洪;陳曉莉;丁一帆;楊世宏;徐菁 | 申請(專利權(quán))人: | 浙江鵬信信息科技股份有限公司 |
| 主分類號: | G06K9/62 | 分類號: | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司: | 浙江千克知識產(chǎn)權(quán)代理有限公司 33246 | 代理人: | 周希良 |
| 地址: | 311100 浙江省杭州市余杭*** | 國省代碼: | 浙江;33 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 特征參數(shù) 訓(xùn)練圖片 二分類 分類模型訓(xùn)練 計算復(fù)雜度 圖片 處理效率 反向傳播 分類模型 神經(jīng)網(wǎng)絡(luò) 圖片分類 傳統(tǒng)的 準(zhǔn)確率 迭代 | ||
1.一種基于VGG16及SVM實現(xiàn)圖片二分類的方法,其特征在于,包括步驟:
步驟S1、將訓(xùn)練圖片輸入VGG16,確定所述訓(xùn)練圖片的特征參數(shù);
步驟S2、將所述特征參數(shù)輸入SVM分類器,通過迭代與反向傳播完成分類模型訓(xùn)練;
步驟S3、基于所述分類模型判斷圖片是否為不良圖片。
2.根據(jù)權(quán)利要求1所述的圖片二分類的方法,其特征在于,所述VGG16的網(wǎng)絡(luò)結(jié)構(gòu)由六個部分組成:第一部分、第二部分由兩個卷積層和一個maxpool組成,每個卷積層的輸出后都有一個ReLu激活函數(shù);第三至第五部分由四個卷積層和一個maxpool池化層構(gòu)成;模型的輸入為227×227大小的圖片,將第一層卷積核的大小設(shè)為9×9,卷積核步長為1,其余所有卷積核大小均為3×3,步長為1;所有最大池化層的大小均為2×2,步長為2;第六部分為展開后的全連接層,由3個全連接層組成,節(jié)點(diǎn)個數(shù)分別為4096、4096、1000。
3.根據(jù)權(quán)利要求1所述的圖片二分類的方法,其特征在于,在所述步驟S1之前包括:收集訓(xùn)練圖片、對所述訓(xùn)練圖片進(jìn)行預(yù)處理。
4.根據(jù)權(quán)利要求3所述的圖片二分類的方法,其特征在于,在所述步驟S3之前包括:收集待判斷的圖片、對所述待判斷的圖片進(jìn)行預(yù)處理、確定所述待判斷的圖片的特征參數(shù)。
5.根據(jù)權(quán)利要求3或4所述的圖片二分類的方法,其特征在于,所述預(yù)處理包括:
將圖片轉(zhuǎn)化為統(tǒng)一尺寸,對統(tǒng)一尺寸后的圖片數(shù)據(jù)的RGB三個通道分別求其均值,并在轉(zhuǎn)化為數(shù)組后的圖像數(shù)組中分別減去均值。
6.根據(jù)權(quán)利要求3或4所述的圖片二分類的方法,其特征在于,所述確定所述訓(xùn)練圖片的特征參數(shù)具體為:
用卷積層提取所述圖片中的主要特征,使用卷修正線性單元ReLu為激活函數(shù)將積層輸出結(jié)果做非線性映射,使用最大池化層用于壓縮數(shù)據(jù)和參數(shù)的量,取出主要的特征參數(shù)。
7.根據(jù)權(quán)利要求6所述的圖片二分類的方法,其特征在于,所述使用修正線性單元ReLu為激活函數(shù)將積層輸出結(jié)果做非線性映射具體為:
在L層進(jìn)行激活,得到L層激活后的輸出a[l+1],再次進(jìn)行激活,兩層之后得到(L+1)層激活后的輸出a[l+2];從(L-1)層的輸出a[l]開始,a[l]同時也是L層的輸入,首先進(jìn)行線性激活,根據(jù)z[l+1]=W[l+1]a[l]+b[l+1],通過a[l]算出z[l+1],其中,W[l+1]為權(quán)重矩陣,b[l+1]為偏差因子;ReLU非線性激活函數(shù)得到a[l+1],a[l+1]=g(z[l+1]);再次進(jìn)行線性激活,依據(jù)等式z[l+2]=W[l+2]a[l+1]+b[l+2],最后根據(jù)這個等式再次進(jìn)行ReLu非線性激活,即a[l+2]=g(z[l+2]),其中g(shù)是為ReLU非線性函數(shù):
f(x)=max(0,x)。
8.根據(jù)權(quán)利要求7所述的圖片二分類的方法,其特征在于,所述步驟S2具體為:
卷積層提取到的特征經(jīng)過全連接層后輸出為d,d作為輸入傳遞給SVM分類器,然后輸出預(yù)測標(biāo)簽y′i,SVM的預(yù)測函數(shù)為
y′i=sign(v*·d+c*)
然后預(yù)測標(biāo)簽y′i與真實標(biāo)簽yi比較,分類器使用hinge loss損失函數(shù),表示為
經(jīng)過多次迭代優(yōu)化神經(jīng)網(wǎng)絡(luò)中的所有參數(shù)。
9.根據(jù)權(quán)利要求1所述的圖片二分類的方法,其特征在于,所述特征包括:圖片的形狀、顏色、邊緣、文理和角度。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于浙江鵬信信息科技股份有限公司,未經(jīng)浙江鵬信信息科技股份有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910516296.5/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G06K 數(shù)據(jù)識別;數(shù)據(jù)表示;記錄載體;記錄載體的處理
G06K9-00 用于閱讀或識別印刷或書寫字符或者用于識別圖形,例如,指紋的方法或裝置
G06K9-03 .錯誤的檢測或校正,例如,用重復(fù)掃描圖形的方法
G06K9-18 .應(yīng)用具有附加代碼標(biāo)記或含有代碼標(biāo)記的打印字符的,例如,由不同形狀的各個筆畫組成的,而且每個筆畫表示不同的代碼值的字符
G06K9-20 .圖像捕獲
G06K9-36 .圖像預(yù)處理,即無須判定關(guān)于圖像的同一性而進(jìn)行的圖像信息處理
G06K9-60 .圖像捕獲和多種預(yù)處理作用的組合
- 一種文本分類方法、裝置和設(shè)備
- 一種養(yǎng)殖箱
- 自然語言分類方法、裝置、設(shè)備及存儲介質(zhì)
- 圖像分類方法、計算機(jī)設(shè)備和存儲介質(zhì)
- 基于高分遙感影像二分類語義分割圖融合成多分類語義圖的方法
- 基于二分類的深度學(xué)習(xí)手寫中文字符識別方法及系統(tǒng)
- 基于Two-Head異常檢測模型的惡意代碼樣本篩選器及方法
- 多分類樣本數(shù)據(jù)的處理方法、裝置及計算機(jī)可讀存儲介質(zhì)
- 多分類模型的訓(xùn)練方法、裝置、電子設(shè)備及存儲介質(zhì)
- 基于二分類模型的多分類方法、裝置、電子設(shè)備及介質(zhì)
- 網(wǎng)絡(luò)流早期分類
- 一種分類模型的訓(xùn)練方法及其裝置、計算機(jī)服務(wù)器
- 分類模型訓(xùn)練方法及裝置
- 一種訓(xùn)練分類模型的方法及裝置
- 案件分類方法、分類模型訓(xùn)練方法及相關(guān)產(chǎn)品
- 一種模型訓(xùn)練方法、裝置、電子設(shè)備及存儲介質(zhì)
- 基于誤分類感知正則化訓(xùn)練的圖像分類方法
- 一種從局部到整體感知的電網(wǎng)場景預(yù)警分類方法及系統(tǒng)
- 一種分類模型訓(xùn)練方法和一種分類模型訓(xùn)練裝置
- 文本分類模型的訓(xùn)練方法、裝置、設(shè)備及可讀存儲介質(zhì)





