[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

本申請公開了一種基于深度學習的圖像分類方法、裝置及計算機設備，涉及人工智能技術領域。其中方法包括：首先基于MobileNet網絡，配置神經架構的搜索空間信息；再根據搜索空間信息構建超網，以及配置超網的每一卷積層對應的彈簧結構，其中，彈簧結構用于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；然后利用第一圖片訓練集對超網進行訓練，以確定適合圖像分類的目標神經架構；最后利用第二圖片訓練集對目標神經架構的模型進行訓練，并使用訓練達標的模型，對待分類圖片進行圖像分類。本申請可提高圖像分類的精確性。此外，本申請還涉及區塊鏈技術，模型訓練數據可存儲于區塊鏈中，以保證數據私密和安全性。

技術領域

本申請涉及人工智能技術領域，尤其是涉及到一種基于深度學習的圖像分類方法、裝置及計算機設備。

背景技術

圖像分類可采用深度學習方法進行智能化的分類，其中深度學習方法在機器學習領域取得了很大的成功，涌現了許多經典的有效的網絡結構。然而這些網絡結構的設計依賴于領域專家們豐富的經驗，并且需要花費大量的時間和精力進行設計和實驗。因此，神經架構搜索方法成為了近幾年的熱門研究領域，通過定義搜索空間，采用強化學習、進化算法等方法自動搜索最優的網絡結構。這些方法非常耗時且需要占用大量的GPU資源。

因此為了解決上述問題，目前提出了采用權重共享的One-Shot方法，通過構建一個包含所有操作選項的有向無環圖即超網，僅通過一次訓練，在訓練好的超網上采樣由不同的操作項組成的單條路徑構成的網絡，評估在測試集上的準確率，進而挑選出最優的神經架構。

然而，本發明創造的發明人在研究中發現，由于卷積神經網絡中前一層的輸出與后一層的輸入在通道數上需要保持一致，而超網無法定義通道數維度上的搜索，而是事先人為定義了每一層網絡的通道數量，這樣得到的結果會影響準確性，導致得到的神經架構并不是合適的架構，進而以此神經架構的模型進行圖像分類時，會影響圖像分類的精確性。

發明內容

有鑒于此，本申請提供了一種基于深度學習的圖像分類方法、裝置及計算機設備，主要目的在于改善目前現有技術中會影響圖像分類精確性的技術問題。

根據本申請的一個方面，提供了一種基于深度學習的圖像分類方法，該方法包括：

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。

根據本申請的另一個方面，提供了一種基于深度學習的圖像分類裝置，該裝置包括：

配置模塊，用于基于MobileNet網絡，配置神經架構的搜索空間信息；

構建模塊，用于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；

訓練模塊，用于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；

所述訓練模塊，還用于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；

分類模塊，用于使用訓練達標的所述模型，對待分類圖片進行圖像分類。

根據本申請的又一個方面，提供了一種非易失性可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現上述基于深度學習的圖像分類方法。