[發(fā)明專利]一種深度學習圖像分類方法

在審

• 申請?zhí)枺?/td>: 202210359931.5
• 申請日: 2022-04-06
• 公開（公告）號: CN114677562A
• 公開（公告）日: 2022-06-28
• 發(fā)明（設計）人: 卜云
• 申請（專利權）人: 卜云
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06V10/764;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 周蕓嬋

本發(fā)明公開了一種深度學習圖像分類方法，包括以下步驟：S1、構建用于圖像分類的訓練集；S2、采用訓練集訓練圖像分類模型，得到訓練完成的圖像分類模型；S3、采用訓練完成的圖像分類模型對待分類圖像進行處理，得到待分類圖像的類型；本發(fā)明設計了計算復雜度低和受噪聲影響小的圖像分類模型，并在訓練時，通過反向傳播對圖像分類模型進行調節(jié)，提高了圖像分類模型分類的精度。

技術領域

本發(fā)明涉及圖像分類技術領域，具體涉及一種深度學習圖像分類方法。

背景技術

圖像分類是目前深度學習主要的應用領域之一，它對輸入的圖像進行識別并判斷其屬于哪一類。而這對醫(yī)學領域有極其重要的意義，比如對某種醫(yī)學影像進行分析，判斷就診者是否患有某種疾病。但是，要做出精準判斷并非是一個容易的任務，目前高性能的深度學習分類網絡使用大量高清晰度的圖像作為訓練集對深度學習網絡進行訓練，并人為在其中加入不同的噪聲以提高網絡的魯棒性能，或者使用對抗生成網絡的方式進行訓練。但是，目前的深度學習分類網絡仍然面臨如下問題：

第一：無法簡單地通過梯度回傳算法訓練使用全S型激活函數的深度學習網絡。根據現有的技術方案，要使用梯度回傳算法訓練全S型激活函數網絡的方法只有批歸一化方法，而該方法較為繁瑣，無論在訓練階段還是使用階段，每層都會增加批歸一化操作，加大了訓練難度和計算難度，不利用簡化模型。

第二：深度學習分類網絡受實際工作環(huán)境的噪聲影響很大，導致實際分類精度大大下降。現實中噪聲的范圍和復雜度遠高于訓練仿真時用到的噪聲。例如，在拍攝醫(yī)療影像時，被拍攝者輕微的晃動，都可能造成圖像的重影等現象。

第三：泛化能力不足。當實際需要分類的圖像與深度學習網絡的訓練集差異較大時，分類效果會顯著下降，深度學習網絡需要重新訓練。雖然可以使用數據增強的手段增大訓練集以提高泛化能力，但實際使用中提高的性能有限，并且，隨著時間的推移，實際工作中需要分類的圖像會與訓練集差別越來越大。例如，隨著技術的進步，攝影攝像器材的分辨率會持續(xù)提高，使得已經訓練好的模型不再適應。

發(fā)明內容

針對現有技術中的上述不足，本發(fā)明提供的一種深度學習圖像分類方法解決了以下問題：

1、全S型激活函數的梯度消失的問題。

2、受實際工作環(huán)境的噪聲影響，導致實際分類精度不高的問題；

3、泛化能力不足的問題。

為了達到上述發(fā)明目的，本發(fā)明采用的技術方案為：一種深度學習圖像分類方法，包括以下步驟：

S1、構建用于圖像分類的訓練集；

S2、采用訓練集訓練圖像分類模型，得到訓練完成的圖像分類模型；

S3、采用訓練完成的圖像分類模型對待分類圖像進行處理，得到待分類圖像的類型。

進一步地，所述步驟S2中圖像分類模型包括依次連接的6層神經網絡，前5層神經網絡為全連接層，第6層神經網絡為softmax層。

進一步地，所述步驟S2包括以下分步驟：

S21、設置迭代次數k的初始值為1；

S22、將訓練集中的第k張圖像輸入到圖像分類模型中，得到圖像分類模型第k次迭代輸出的分類概率；

S23、根據圖像分類模型第k次迭代輸出的分類概率和對應的期望概率，計算損失值；

S24、判斷損失值是否小于閾值，若是，則得到訓練完成的圖像分類模型，若否，則跳轉至步驟S25；

S25、根據圖像分類模型第k次迭代輸出的分類概率和對應的期望概率，計算概率誤差；