基于优化特征权重的有效精细图像分类方法技术

本发明专利技术公开一种基于优化特征权重的有效精细图像分类方法，对精细图像的分类准确性高。本发明专利技术的基于优化特征权重的有效精细图像分类方法，包括以下步骤：(10)图像数据集预处理：将精细图像进行统一裁剪和精细裁剪，取预处理好的70％作为训练数据集，剩余的作为测试数据集，得到最终预处理图像数据集；(20)初始化特征权重向量：采用标准正态分布进行特征权重初始化；(30)网络模型搭建与训练：搭建卷积神经网络模型，训练特征权重向量，优化特征权重向量，将测试图像数据集输入到训练好的模型和特征权重中，测试数据集检验模型效果，输出分类结果。

【技术实现步骤摘要】
基于优化特征权重的有效精细图像分类方法
本专利技术属于数字图像处理及深度学习领域，涉及计算机视觉领域。具体为一种基于优化特征权重的有效精细图像分类方法。
技术介绍
利用现有的深度卷积神经网络对图像进行分类是目前使用较多的方法，由于深度卷积神经网络的输入图像数据大小决定了网络的计算量，需要传统网络不断抛弃特征信息，这样导致后期分析时信息不足。有研究提出一种可充分保留图像特征的特征提取模型，用于对任意分辨率的输入图像进行无损的特征提取操作。如文献1(CN1106596553A“一种可充分保留图像特征的特征提取模型及特征提取方法”)针对精细图像，其图像整体上相似，一般可通过一些部分特征来对图像进行分类，但是对于深度卷积神经网络，其学习模式为自主学习，无法明确哪些特征影响分类结果，需要通过不断的学习过程才能找出影响分类的特征。有研究提出一种改进型的centerloss的精细图像分类方法，在centerloss的基础上，在损失函数中增加了计算最近其他类中心距离的约束项，此约束项可以增大类别间距离的优点。如文献2(罗材.基于深度学习的精细图像分类算本文档来自技高网...

【技术保护点】
1.一种基于优化特征权重的有效精细图像分类方法，其特征在于包括以下步骤：/n(10)图像数据集预处理：将精细图像进行统一裁剪和精细裁剪，取预处理好的70％作为训练数据集，剩余的作为测试数据集，得到最终预处理图像数据集；/n(20)初始化特征权重向量：采用标准正态分布进行特征权重初始化；/n(30)网络模型搭建与训练：搭建卷积神经网络模型，训练特征权重向量，优化特征权重向量，将测试图像数据集输入到训练好的模型和特征权重中，测试数据集检验模型效果，输出分类结果。/n

【技术特征摘要】
1.一种基于优化特征权重的有效精细图像分类方法，其特征在于包括以下步骤：
(10)图像数据集预处理：将精细图像进行统一裁剪和精细裁剪，取预处理好的70％作为训练数据集，剩余的作为测试数据集，得到最终预处理图像数据集；
(20)初始化特征权重向量：采用标准正态分布进行特征权重初始化；
(30)网络模型搭建与训练：搭建卷积神经网络模型，训练特征权重向量，优化特征权重向量，将测试图像数据集输入到训练好的模型和特征权重中，测试数据集检验模型效果，输出分类结果。


2.根据权利要求1所述的有效精细图像分类方法，其特征在于，所述(10)图像数据集预处理步骤包括：
(11)图像统一裁剪：将图像数据集统一裁剪为长宽一致的图像m*m，m为图像边长；
(12)图像精细裁剪：对统一裁剪后的图像进行精细裁剪，将每张图像采用步长为stride，裁剪框大小为n*n，从左至右，从上至下进行裁剪，裁剪得到N*N份图像数据，每份的图像数据集为Xij,其中N为图像数据集预处理后的Xij数量,,Xij表示截取每个类别图像左上角坐标为(i,j)，大小为n*n的图像数据。其中n为裁剪框边长，N＝(m-n)/stride+1，0<i<m,0<j<m,0<n<m。


3.根据权利要求1所述的有效精细图像分类方法，其特征在于，所述(20)初始化特征权重向量步骤具体为：
初始化特征权重向量W，W为二维向量，初始化方式为标准正态分布,其中特征权重向量的值满足x为每个特征权重向量的参数。


4.根据权利要求1所述的有效精细图像分类方法，其特征在于，所...

【专利技术属性】
技术研发人员：陆吕萍，徐雷，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32