一种基于自动编码器的灰度图像迁移学习方法技术

本发明专利技术公开了一种基于自动编码器的灰度图像迁移学习方法，首先对采集到的灰度图像进行预处理包括裁剪，降噪，滤波等；然后通过数据增强方法来增加样本数量；其次搭建自动编码器，网络的结构为卷积层‑>池化层‑>卷积层‑>池化层的卷积神经网络，实现将单通道的图像转换为三通道的彩色图像；最后将转换后的三通道图像迁移学习到经典的CNN网络，实现目标的分类。总体来说，本发明专利技术算法简洁，效率较高且鲁棒性较强。

A gray image migration learning method based on automatic encoder

【技术实现步骤摘要】
一种基于自动编码器的灰度图像迁移学习方法
本专利技术属于计算机视觉
，具体涉及一种基于自动编码器的灰度图像迁移学习方法。
技术介绍
迁移学习的定义如下：给定一个源域Ds和学习任务Ts，一个目标域Dt和学习任务Tt，迁移学习致力于通过使用源域Ds和源任务Ts中的知识，帮助提升目标域Dt中的目标预测函数f_T()的学习，其中Ds≠Dt,或者Ts≠Tt。在迁移学习中主要研究以下三个问题：迁移什么；如何迁移；何时迁移。迁移指的是跨域或跨任务迁移某一部分知识。一些知识可能是特定于单个域或任务的，而一些知识可能在不同域之间是相同的，通过迁移知识的选择可以帮助提高目标域或任务的性能。在发现可以迁移的知识之后，需要开发学习算法来迁移知识，这就是“如何迁移”的问题。“何时迁移”指的是在什么情况下可以进行迁移，在哪些情况下不应该迁移。在某些情况下，当源域和目标域彼此不相关时，强行进行迁移可能会失败。而在最坏的情况下，它甚至可能损害目标域学习表现，这种情况通常称为负迁移。近年来，深度学习在可解决的复杂问题类型上取得了长足的进步，其成果令人惊讶。本文档来自技高网...

【技术保护点】
1.一种基于自动编码器的灰度图像迁移学习方法，其特征在于：包括以下步骤：/nS1，获取目标物体的灰度图像，对图像进行预处理；/nS2，数据增强，增加训练集以及测试集样本的数量；/nS3，下载数据集，搭建自动编码器神经网络，将三通道彩色图像转换为灰度图像，作为神经网络的输入，将彩色图像作为训练集数据的标签，对网络进行训练，得出泛化误差较小的模型，实现灰度图像到彩色图像的转换；/nS4，对经步骤S3自动编码器转换所得的三通道图像进行迁移学习，将其应用于经典神经网络VGG-16；/nS5，对检测出来的结果进行标记，实现对象的分类。/n

【技术特征摘要】
1.一种基于自动编码器的灰度图像迁移学习方法，其特征在于：包括以下步骤：
S1，获取目标物体的灰度图像，对图像进行预处理；
S2，数据增强，增加训练集以及测试集样本的数量；
S3，下载数据集，搭建自动编码器神经网络，将三通道彩色图像转换为灰度图像，作为神经网络的输入，将彩色图像作为训练集数据的标签，对网络进行训练，得出泛化误差较小的模型，实现灰度图像到彩色图像的转换；
S4，对经步骤S3自动编码器转换所得的三通道图像进行迁移学习，将其应用于经典神经网络VGG-16；
S5，对检测出来的结果进行标记，实现对象的分类。


2.根据权利要求1所述的一种基于自动编码器的灰度图像迁移学习方法，其特征在于：所述步骤S1进一步包括：
S11，采集灰度图像，并对图像进行空间滤波、形态学变换、阈值分割，剔除背景噪声，确定感兴趣区域，增强图像特征，并最终使图像符合神经网络的需求；


3.根据权利要求1所述的一种基于自动编码器的灰度图像迁移学习方法，其特征在于：步骤S2所述的数据增强：
S21，通过对图像进行随机旋转一定的角度来进行数据增强。


4.根据权利要求1所述的一种基于自动编码器的灰度图像迁移学习方法，其特征在于：所述步骤S3中，搭建卷积神经网络，将S1，S2处理后的灰度图像转换为三通道彩色图像，具体步骤如下：
S31，搭建卷积层->池化层->卷积层->池化层卷积神经网络，卷积层的大小都为3*3，池化层都为max_pooling；
损失函数定义如下：









其中X和分别表示编...

【专利技术属性】
技术研发人员：王慧青，胡玉坤，焦越，余厚云，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32