[發明專利]基于深度學習的圖像分類方法、裝置及計算機設備

有效

• 申請號: 202010761098.8
• 申請日: 2020-07-31
• 公開（公告）號: CN111898683B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 沈贊;莊伯金;王少軍
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 北京中強智尚知識產權代理有限公司 11448
• 代理人: 黃耀威

1.一種基于深度學習的圖像分類方法，其特征在于，包括：

基于MobileNet網絡，配置神經架構的搜索空間信息；

根據所述搜索空間信息構建超網，以及配置所述超網的每一卷積層對應的彈簧結構，其中，所述彈簧結構用于所述超網訓練時將同一卷積層不同操作項對應的通道數都固定到相同的通道數上輸出給下一卷積層；

利用第一圖片訓練集對所述超網進行訓練，以確定適合圖像分類的目標神經架構；

利用第二圖片訓練集對所述目標神經架構的模型進行訓練，并使用訓練達標的所述模型，對待分類圖片進行圖像分類；

所述利用第一圖片訓練集對所述超網進行訓練，以確定適合圖像分類的目標神經架構，包括：

將所述超網的訓練過程按照預設時間間隔分為多個子訓練過程；

每次執行子訓練過程時，隨機從上一子訓練過程訓練得到的超網中采樣預設個數的模型；利用圖片測試集，對采樣的模型進行測試，所述圖片測試集是根據所述第一圖片訓練集確定得到的；按照測試準確率，將采樣的模型進行排序；統計每一卷積層中各個操作項位于排名前預設比例的模型的第一數量，以及位于排名后預定比例的模型的第二數量；根據所述第一數量與所述第二數量之間的差值，在每一卷積層中，保留前第一預置數量所述差值大于0的操作項，并刪除未保留的其余操作項；在每一卷積層中刪除未保留的其余操作項后，執行本次子訓練過程；在超網訓練后的每一卷積層中剩余的操作項的數量小于或等于預定個數閾值時，確定訓練得到收縮搜索空間后的所述超網；

在收縮搜索空間后的所述超網中，搜索所述目標神經架構。

2.根據權利要求1所述的方法，其特征在于，所述彈簧結構是基于反向殘差結構對所述超網的每一卷積層進行改造得到的，所述彈簧結構的中間深度卷積層用于深層特征提取，所述中間深度卷積層的前后各有1×1卷積層；

其中所述中間深度卷積層的前1×1卷積層用于擴大輸入特征多樣性，所述中間深度卷積層的后1×1卷積層用于將提取的深層特征恢復到固定的通道數上并輸出給下一卷積層，所述固定的通道數為所屬卷積層結構可選的最大通道數。

3.根據權利要求2所述的方法，其特征在于，所述利用第二圖片訓練集對所述目標神經架構的模型進行訓練，具體包括：

在對所述目標神經架構的模型從頭開始獨立訓練時，所有采用最大通道數輸出的彈簧結構調整為當前每一卷積層選取的操作項原本的通道數大小，以便恢復成標準的反向殘差結構；

利用第二圖片訓練集對恢復成標準的反向殘差結構的所述目標神經架構的模型進行訓練。

4.根據權利要求1所述的方法，其特征在于，所述基于MobileNet網絡，配置神經架構的搜索空間信息，具體包括：

設置MobileNet網絡中的卷積層數；

根據設置后的所述MobileNet網絡，定義搜索空間的維度信息和搜索空間大小信息，其中所述維度信息包含每一卷積層的卷積核大小、擴張系數、通道數。

5.根據權利要求1所述的方法，其特征在于，所述第一圖片訓練集和所述第二圖片訓練集保存在區塊鏈中；

所述利用第一圖片訓練集對所述超網進行訓練，具體包括：

從所述區塊鏈中獲取所述第一圖片訓練集，對所述超網進行訓練；

所述利用第二圖片訓練集對所述目標神經架構的模型進行訓練，具體包括：

從所述區塊鏈中獲取所述第二圖片訓練集，對所述目標神經架構的模型進行訓練。