【技术实现步骤摘要】
基于线性规划增量学习的图像分类方法
本专利技术涉及图像处理
，更进一步涉及图像分类
中的一种基于线性规划增量学习的图像分类方法。本专利技术可用于对光学图像中的主体目标或高光谱图像中的地物目标进行分类。
技术介绍
图像分类是图像处理的一个重要的领域,根据不同目标在图像中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。现图像分类领域面临的问题是训练好的模型只能对训练集中包含的类别的图像进行分类，而对于训练集中未包含的类别的图像，其无法正确分类，学习训练数据中未包含的类别的图像的机制也需要经过大量标定类别的图像的训练，大量的标定工作耗时耗力，且训练需消耗大量的计算资源和时间。华南理工大学在其拥有的专利技术“一种大数据场景下可增量学习的图像分类训练方法”(专利申请号：201710550339.2，授权公告号：CN107358257B)中提出了一种大数据场景下可增量学习的图像分类训练方法。该方法首先需要对初始图像数据训练图像分类器；其次，当出现新类别图像时需要对初始模型进行增量训练，得到更新后的图像分类器；最后，...
【技术保护点】
1.一种基于线性规划增量学习的图像分类方法，其特征在于，构建一个由特征提取模块和分类模块连接成的卷积神经网络，初始训练卷积神经网络后，用卷积神经网络进行分类，若遇到类别不属于初始训练集中类别的待分类图片，利用初始训练集和增量训练集类均特征建立线性规划模型，求解权值列向量，更新分类器，该方法的步骤包括如下：/n(1)构建卷积神经网络：/n(1a)搭建一个10层的特征提取模块，其结构依次为：输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→Flatten层→归一化层→第一全连接层；/n设置每层参数为：将第一至第四卷积层中卷积核的个数分别设置为64，...
【技术特征摘要】
1.一种基于线性规划增量学习的图像分类方法，其特征在于，构建一个由特征提取模块和分类模块连接成的卷积神经网络，初始训练卷积神经网络后，用卷积神经网络进行分类，若遇到类别不属于初始训练集中类别的待分类图片，利用初始训练集和增量训练集类均特征建立线性规划模型，求解权值列向量，更新分类器，该方法的步骤包括如下：
(1)构建卷积神经网络：
(1a)搭建一个10层的特征提取模块，其结构依次为：输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→Flatten层→归一化层→第一全连接层；
设置每层参数为：将第一至第四卷积层中卷积核的个数分别设置为64，64，256,256，卷积核的大小均设置为3×3，步长均设置为1，第一池化层采用最大池化的方式，第二池化层采用全局平均池化的方式，池化区域核的大小均设置为2×2，步长均设置为2；第一全连接层由512个节点构成；
(1b)搭建一个由点积层和输出层组成的分类模块；点积层的权值行列式中的行数为512，列数等于输入的所有图像的标注类别的总数，输出层激活函数为softmax；
(1c)将特征提取模块、分类模块依次连接组成卷积神经网络；
(2)生成初始训练集：
输入至少1000张已标注类别的图像，所有图像中至少包含3种标注类别，对输入的每张图像进行图像预处理，将预处理后的所有图像组成初始训练集；
(3)初始训练卷积神经网络：
将初始训练集输入到卷积神经网络中，用梯度下降法更新卷积神经网络的每一层的权值，直至均方根误差值降至5.0以下为止，得到初始训练好的卷积神经网络；
(4)获取初始训练集的类均特征向量：
(4a)将初始训练集中的每一张图像依次输入到初始训练好的卷积神经网络中，将该网络的特征提取模块中第一全连接层输出的每一张图像512维输出向量作为该张图像的特征向量；
(4b)对相同标注类别的所有图像的特征向量的每一个元素取平均值，将所有元素平均值组成该标注类别的类均特征向量；
(5)判断待分类图像的类别是否属于初始训练集中的类别，若是，则执行步骤(10)，否则，执行步骤(6)；
(6)生成增量训练集：
输入一张与待分类的图像相同标注类别的图像，对该张图像进行与步骤(2)相同的预...
【专利技术属性】
技术研发人员：白静，员安然，王鼎臣，周华吉，肖竹，张丹，杨韦洁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
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。