【技术实现步骤摘要】
一种基于深度学习的图像分类神经网络压缩模型设计
本专利技术是一种利用深度学习技术实现对图像进行推理得出规定类别概率。此专利技术属于电子信息科学
技术介绍
传统的图像分类步骤大致是两步，分别为特征提取和训练分类器。在特征提取阶段，会尝试各种通用特征或者自己设计的特征对图像进行特征提取，通用的特征就是HOG、SURF、LBP、haar等特征。在选定了这些备用特征之后，会进行尝试特征与权衡利弊，因为对于计算机来说，特征的唯一性、通用性越好，所意味的计算量就越大，必须在保证速度的情况下选择尽量好的特征。当选择了计算量适中同时能达到要求的准确率的特征例如LBP和haar特征之后，使用传统的机器学习方法例如朴素贝叶斯、adaboost、随机森林等建模方法，训练出一个分类模型，使用这个分类模型来进行图像分类或检测。模型的选择通常要比特征选择简单的多，只需要把备选的模型都试一遍，挑效果最好的模型进行调参，调到极致之后，分类模型就做出来了。传统图像检测方法的流程需要很长的时间，并且每一步都需要做好，最终的模型才会有较好的效果，一旦中间的一步出现错误就会牵一发而动全身。所以...
【技术保护点】
1.一种基于深度学习的图像分类神经网络压缩模型设计，其特征在于，组成结构包括：卷积层、池化层、非线性激活单元、批标准化层、压缩信道单元和残差结构单元；所述卷积层、批标准化层和非线性激活单元，这三个部分前后一次连接组成一个神经单元，每三个神经单元会组成一个残差结构，残差的分支会使用有两个卷积层构成的压缩信道单元；深度卷积网络总体上分为特征提取阶段和分类器决策阶段，在特征提取阶段会将卷积网络分为低级几何特征提取浅层网络，中级边界特征提取中层网络，高级语义特征提取深层网络，每个部分都是由若干残差结构重复级联构成的拓扑结构且在相邻的网络结构之间会添加池化层来缩小计算张亮的长和宽，随...
【技术特征摘要】
1.一种基于深度学习的图像分类神经网络压缩模型设计，其特征在于，组成结构包括：卷积层、池化层、非线性激活单元、批标准化层、压缩信道单元和残差结构单元；所述卷积层、批标准化层和非线性激活单元，这三个部分前后一次连接组成一个神经单元，每三个神经单元会组成一个残差结构，残差的分支会使用有两个卷积层构成的压缩信道单元；深度卷积网络总体上分为特征提取阶段和分类器决策阶段，在特征提取阶段会将卷积网络分为低级几何特征提取浅层网络，中级边界特征提取中层网络，高级语义特征提取深层网络，每个部分都是由若干残差结构重复级联构成的拓扑结构且在相邻的网络结构之间会添加池化层来缩小计算张亮的长和宽，随着网络的逐渐加深在卷积层中运算核的信道数目也会逐渐加深，这种结构设计可以达到高效提图图片中有效信息的作用。2.根据权利要求1所述的一种基于深度学习的图像分类神经网络压缩模型设计，其特征在于，所述分类器决策阶段由两个全局卷积层和最后一个softmax层组成，并且在两个全局卷积层中使用dropout来防止模型过拟化，在模型的训练阶段网络模型参数需要不断更新，所以soft...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。