[發(fā)明專利]一種基于深度學(xué)習(xí)的圖像分類模型組合方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211371486.0
• 申請(qǐng)日: 2022-11-03
• 公開(kāi)（公告）號(hào): CN115546563A
• 公開(kāi)（公告）日: 2022-12-30
• 發(fā)明（設(shè)計(jì)）人: 徐興敏;王仁林;張玉艷
• 申請(qǐng)（專利權(quán)）人: 濰坊學(xué)院
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06N3/04;G06N3/08;G06V10/77;G06V10/774;G06V10/80;G06V10/82
• 代理公司: 北京睿智保誠(chéng)專利代理事務(wù)所(普通合伙) 11732
• 代理人: 杜娟

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的圖像分類模型組合方法，涉及圖像分類技術(shù)領(lǐng)域，具體步驟包括：對(duì)訓(xùn)練集圖像進(jìn)行預(yù)處理；構(gòu)建圖像分類模型；將訓(xùn)練集圖像輸入到圖像分類模型中進(jìn)行訓(xùn)練，得到與當(dāng)前訓(xùn)練集圖像對(duì)應(yīng)的圖像分類模型，獲得訓(xùn)練好的圖像分類模型；對(duì)不同類別的圖像進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型集；確定圖像分類模型集中每個(gè)圖像分類模型的特征組合信息，將各個(gè)圖像分類模型的特征組合信息融合為組合模型。本發(fā)明可以同時(shí)對(duì)多種類別的圖像進(jìn)行分類，得到分類結(jié)果，不僅可以提高圖像的分類準(zhǔn)確率，在對(duì)多種類別的圖像進(jìn)行分類時(shí)，能夠減少訓(xùn)練時(shí)間，提高分類效率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分類技術(shù)領(lǐng)域，更具體的說(shuō)是涉及一種圖像分類模型的組合方法。

背景技術(shù)

近年來(lái)，深度學(xué)習(xí)算法在圖像分類領(lǐng)域得到廣泛關(guān)注，與基于淺層學(xué)習(xí)獲得手工特征的傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)方法通過(guò)聯(lián)合多個(gè)非線性淺層特征，并在此基礎(chǔ)上構(gòu)造出更加抽象的高階特征，如同大腦的深度結(jié)構(gòu)，深度學(xué)習(xí)中，每一個(gè)輸入對(duì)象會(huì)以多層抽象形式表現(xiàn)出來(lái)，每個(gè)層次對(duì)應(yīng)于不同的皮層區(qū)域。深度學(xué)習(xí)的優(yōu)勢(shì)在于它獲得的多層次特征是使用通用的學(xué)習(xí)過(guò)程從原始數(shù)據(jù)中學(xué)習(xí)獲得的，而不是由手工篩選設(shè)計(jì)出來(lái)。深度學(xué)習(xí)可以像人腦一樣對(duì)外界輸入事物進(jìn)行分析和理解，該網(wǎng)絡(luò)優(yōu)勢(shì)被廣泛應(yīng)用于圖像、文本、聲音等研究領(lǐng)域。

在圖像分類領(lǐng)域中，深度學(xué)習(xí)利用設(shè)定好的網(wǎng)絡(luò)結(jié)構(gòu)，完全從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)圖像的層級(jí)結(jié)構(gòu)性特征，能夠提取更加接近圖像高級(jí)語(yǔ)義的抽象特征，從而確定目標(biāo)圖像的分類模型，在圖像分類上的表現(xiàn)遠(yuǎn)遠(yuǎn)超過(guò)傳統(tǒng)方法；如果面對(duì)的是一個(gè)或少量幾個(gè)固定的圖像進(jìn)行分類，那么可以逐個(gè)將這些圖像類別需要用到的模型都預(yù)先分別打包，成為解決不同固定圖像類別的模型，然后分別部署應(yīng)用。但是如果面向的是多種類別的圖像時(shí)，這樣打包模型，就會(huì)產(chǎn)生大量重復(fù)的、類似的工作。

因此，如何提供一種圖像分類模型的組合方法以提高圖像分類準(zhǔn)確率并且可以同時(shí)對(duì)多種類別的圖像進(jìn)行分類是本領(lǐng)域技術(shù)人員亟需解決的問(wèn)題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種基于深度學(xué)習(xí)的圖像分類模型組合方法，通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)，采用逐層初始化的訓(xùn)練方式，充分發(fā)揮深度學(xué)習(xí)自我學(xué)習(xí)的優(yōu)勢(shì)，有效解決訓(xùn)練比較慢的問(wèn)題；并且可以同時(shí)對(duì)多種類別的圖像進(jìn)行分類，得到分類結(jié)果，不僅可以提高圖像的分類準(zhǔn)確率，在對(duì)多種類別的圖像進(jìn)行分類時(shí)，能夠減少訓(xùn)練時(shí)間，提高分類效率。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于深度學(xué)習(xí)的圖像分類模型組合方法，包括以下步驟：

S101、對(duì)訓(xùn)練集圖像進(jìn)行預(yù)處理；訓(xùn)練集圖像包括無(wú)標(biāo)簽圖像和有標(biāo)簽圖像；

S102、構(gòu)建圖像分類模型；圖像分類模型包括深度學(xué)習(xí)網(wǎng)絡(luò)和分類器；深度學(xué)習(xí)網(wǎng)絡(luò)包括輸入層、隱藏層、輸出層，輸入層主要用于獲取輸入的圖像信息，隱藏層用于進(jìn)行特征提取，輸出層用于輸出具有代表性的特征組合；其中，隱藏層首先使用自下向上非監(jiān)督學(xué)習(xí)，然后使用自上向下監(jiān)督學(xué)習(xí)；

S103、將訓(xùn)練集圖像輸入到圖像分類模型中進(jìn)行訓(xùn)練，得到與當(dāng)前訓(xùn)練集圖像對(duì)應(yīng)的圖像分類模型，獲得訓(xùn)練好的圖像分類模型；

S104、重復(fù)S103，對(duì)不同類別的圖像進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖像分類模型集；

S105、確定圖像分類模型集中每個(gè)圖像分類模型的特征組合信息，將各個(gè)圖像分類模型的特征組合信息融合為組合模型。

優(yōu)選的，對(duì)訓(xùn)練集圖像進(jìn)行預(yù)處理過(guò)程包括：對(duì)訓(xùn)練集圖像進(jìn)行鏡像、剪切、旋轉(zhuǎn)以及隨機(jī)擦除處理，同時(shí)對(duì)訓(xùn)練集圖像進(jìn)行歸一化處理。