[發(fā)明專利]一種基于遷移學習的動物圖像種類識別方法

在審

• 申請?zhí)枺?/td>: 202110870176.2
• 申請日: 2021-07-30
• 公開（公告）號: CN113627501A
• 公開（公告）日: 2021-11-09
• 發(fā)明（設計）人: 吳靜;張明琦;高珊珊;江昊;周建國;陳琪美
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 羅飛

1.一種基于遷移學習的動物圖像種類識別方法，其特征在于，包括：

S1：根據(jù)圖像分類任務需求，選擇深度學習模型；

S2：在ImageNet數(shù)據(jù)集上使用空間幾何類變換、加噪操作對動物分類數(shù)據(jù)集樣本進行增強處理；

S3：利用步驟S2得到的訓練集，對步驟S1中所選擇的深度學習模型進行預訓練，設置神經網(wǎng)絡的全連接層神經元數(shù)量為1000，得到預訓練模型，并保存預訓練過程中學習到的權重參數(shù)；

S4：根據(jù)實際圖像分類任務需求，修改神經網(wǎng)絡中全連接層的神經元個數(shù)；

S5：利用步驟S3中預訓練模型學習到的權重參數(shù)，對修改全連接層后的深度學習模型在動物圖像數(shù)據(jù)集上進行訓練，并在訓練過程中對網(wǎng)絡參數(shù)進行微調，從而得到最終的分類模型；

S6：利用最終的分類模型對動物圖像種類進行識別。

2.如權利要求1所述的動物圖像種類識別方法，其特征在于，步驟S1中的深度學習模型包括VGG模型、Inception模型和ResNet模型。

3.如權利要求1所述的動物圖像種類識別方法，其特征在于，步驟S2中的空間幾何類變換包括翻轉、縮放和旋轉操作，加噪操作包括加入高斯噪聲、隨機噪聲。

4.如權利要求1所述的動物圖像種類識別方法，其特征在于，S3中的預訓練模型包括基礎預訓練模型和深度預訓練模型，其中，基礎預訓練模型用于將數(shù)據(jù)集處理成各種動物種類數(shù)據(jù)集，深度預訓練模型用于對分類好的動物種類數(shù)據(jù)集再次分類，得到可以得出各種動物具體類別。

5.如權利要求1所述的動物圖像種類識別方法，其特征在于，S4包括：根據(jù)實際分類的種類，修改神經網(wǎng)絡中全連接層的神經元個數(shù)。

6.如權利要1所述的動物圖像種類識別方法，其特征在于，步驟S5采用兩種不同的微調方式中的一種對模型進行微調，第一種方式為局部微調：載入預訓練模型的權重參數(shù)并將全連接層之前的所有卷積層的參數(shù)固定，然后在動物圖像數(shù)據(jù)集上進行訓練，只對最后的全連接層進行微調；第二方式為全局微調：載入預訓練模型的權重參數(shù)，直接在動物圖像數(shù)據(jù)集上進行訓練，對所有層的參數(shù)進行微調。