[發(fā)明專利]一種基于遺傳算法的CNN圖像分類方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010838921.0
• 申請(qǐng)日: 2020-08-19
• 公開(kāi)（公告）號(hào): CN112085070A
• 公開(kāi)（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 彭浩
• 申請(qǐng)（專利權(quán)）人: 北京影譜科技股份有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/12;G06N3/04
• 代理公司: 北京萬(wàn)思博知識(shí)產(chǎn)權(quán)代理有限公司 11694
• 代理人: 高鎮(zhèn)

1.一種基于遺傳算法的CNN圖像分類方法，包括：

獲取待分類圖像；

在預(yù)設(shè)搜索空間中尋找與所述待分類圖像對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)超參數(shù)；

將多個(gè)所述網(wǎng)絡(luò)超參數(shù)進(jìn)行組合，創(chuàng)建適合所述待分類圖像的CNN模型；

通過(guò)所述待分類圖像的CNN模型對(duì)所述待分類圖像進(jìn)行分類，并輸出圖像分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在預(yù)設(shè)搜索空間中尋找與所述待分類圖像對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)超參數(shù)，包括：

基于遺傳算法在預(yù)設(shè)搜索空間中尋找并輸出與所述待分類圖像對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)超參數(shù)；

其中，所述網(wǎng)絡(luò)超參數(shù)包括網(wǎng)絡(luò)層的數(shù)量、特征圖映射的數(shù)量、學(xué)習(xí)率、權(quán)重衰減因子和/或動(dòng)量。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于遺傳算法在所述預(yù)設(shè)搜索空間中尋找并輸出與所述待分類圖像對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)超參數(shù)，包括：

在所述預(yù)設(shè)搜索空間隨機(jī)選擇參數(shù)在設(shè)定范圍內(nèi)的多個(gè)個(gè)體；所述個(gè)體的編碼具有預(yù)設(shè)架構(gòu)的超參數(shù)和CNN模型；

根據(jù)多個(gè)所述個(gè)體創(chuàng)建所述待分類圖像的初始種群；其中，所述初始種群為CNN模型的集合；

基于遺傳算法對(duì)所述初始種群進(jìn)行反復(fù)迭代，在所述預(yù)設(shè)搜索空間中尋找并輸出所述待分類圖像的多個(gè)網(wǎng)絡(luò)超參數(shù)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于遺傳算法對(duì)所述初始種群進(jìn)行反復(fù)迭代，在所述預(yù)設(shè)搜索空間中尋找并輸出所述待分類圖像的多個(gè)網(wǎng)絡(luò)超參數(shù)，包括：

設(shè)置預(yù)定義的最大代數(shù)；

基于遺傳算法計(jì)算所述初始種群中每個(gè)個(gè)體的適合度分?jǐn)?shù)，根據(jù)所述適合度分?jǐn)?shù)評(píng)估所述初始種群中每個(gè)個(gè)體的適應(yīng)性并進(jìn)行降序排列，篩選出所述初始種群中的第一目標(biāo)個(gè)體添加到下一代中；

從所述初始種群中除所述目標(biāo)個(gè)體的剩余個(gè)體中隨機(jī)選取具有預(yù)設(shè)保留概率的第二目標(biāo)個(gè)體添加到所述下一代中；

從所述下一代中隨機(jī)選取兩個(gè)不同的個(gè)體參與統(tǒng)一交叉操作，并以預(yù)定義的突變概率進(jìn)行突變操作，以此來(lái)創(chuàng)建新代；

將所述下一代和基于所述下一代創(chuàng)建的新代組合成新的初始種群進(jìn)行反復(fù)迭代，直至達(dá)到所述預(yù)定義的最大代數(shù)，從而在所述預(yù)設(shè)搜索空間中尋找并輸出所述待分類圖像的多個(gè)網(wǎng)絡(luò)超參數(shù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將多個(gè)所述網(wǎng)絡(luò)超參數(shù)進(jìn)行組合，創(chuàng)建適合所述待分類圖像的CNN模型，包括：

依據(jù)所述超參數(shù)中的輸出網(wǎng)絡(luò)層的數(shù)量和特征圖映射的數(shù)量，采用預(yù)設(shè)的規(guī)則創(chuàng)建所述待分類圖像的CNN模型；

其中，所述CNN模型由卷積層、池化層和線性完全連接層組合而成。

6.一種基于遺傳算法的CNN圖像分類系統(tǒng)，包括：

待分類圖像獲取模塊，其配置成獲取待分類圖像；

網(wǎng)絡(luò)超參搜索模塊，其配置成在預(yù)設(shè)搜索空間中尋找與所述待分類圖像對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)超參數(shù)；

CNN模型創(chuàng)建模塊，其配置成將多個(gè)所述網(wǎng)絡(luò)超參數(shù)進(jìn)行組合，創(chuàng)建適合所述待分類圖像的CNN模型；

圖像分類模塊，其配置成通過(guò)所述待分類圖像的CNN模型對(duì)所述待分類圖像進(jìn)行分類，并輸出圖像分類結(jié)果。

7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述網(wǎng)絡(luò)超參搜索模塊，其還配置成：

基于遺傳算法在預(yù)設(shè)搜索空間中尋找并輸出與所述待分類圖像對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的多個(gè)網(wǎng)絡(luò)超參數(shù)；

其中，所述網(wǎng)絡(luò)超參數(shù)包括網(wǎng)絡(luò)層的數(shù)量、特征圖映射的數(shù)量、學(xué)習(xí)率、權(quán)重衰減因子和/或動(dòng)量。

8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述網(wǎng)絡(luò)超參搜索模塊，其還配置成：

在所述預(yù)設(shè)搜索空間隨機(jī)選擇參數(shù)在設(shè)定范圍內(nèi)的多個(gè)個(gè)體；所述個(gè)體的編碼具有預(yù)設(shè)架構(gòu)的超參數(shù)和CNN模型；

根據(jù)多個(gè)所述個(gè)體創(chuàng)建所述待分類圖像的初始種群；其中，所述初始種群為CNN模型的集合；

基于遺傳算法對(duì)所述初始種群進(jìn)行反復(fù)迭代，在所述預(yù)設(shè)搜索空間中尋找并輸出所述待分類圖像的多個(gè)網(wǎng)絡(luò)超參數(shù)。