一种基于遗传算法的CNN图像分类方法及系统技术方案

本申请提供了一种基于遗传算法的CNN图像分类方法及系统，在本申请提供的方法中，先获取待分类图像；然后在预设搜索空间中寻找与待分类图像对应的神经网络的多个网络超参数；再将多个网络超参数进行组合，创建适合待分类图像的CNN模型；最后通过待分类图像的CNN模型对待分类图像进行分类，并输出图像分类结果。基于本申请提供的基于遗传算法的CNN图像分类方法及系统，针对给定的图像处理任务快速地探索合适地CNN架构并同时优化其超参，加快参数地收敛速度，提高准确性。

【技术实现步骤摘要】
一种基于遗传算法的CNN图像分类方法及系统
本申请涉及图像分类
，特别是涉及一种基于遗传算法的CNN图像分类方法及系统。
技术介绍
识别是我们打出生便开始学习的技能之一，对成人来说更是信手拈来，毫不费力，只需一眼便能快速识别我们所处的环境以及环绕在我们身边的物体。当我们看到一张图片或是环看四周的时候，无需刻意观察，多数时候也能立即描述出场景特征并标记出每一个对象。快速识别不同模式、根据早前知识进行归纳、以及适应不同的图像环境一直都是人类的专属技能，机器尚未享有。目前，随着科技的不断提升，基于机器的图像分类技术也在逐渐提升。图像分类是对输入图像的操作，最终输出一组最好地描述了图像内容的分类(如猫、狗等)或分类的概率。现阶段，图像分类广泛应用于图标识别、图像理解、图像检索等各个领域。近年来，随着深度学习在图像处理领域获得突破性进展，利用深度学习进行图像分类已成为一项研究热点。卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)从视觉皮层的生物学上获得启发，一个系统中的特定组件有特定任务的观点(视觉皮本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的CNN图像分类方法，包括：/n获取待分类图像；/n在预设搜索空间中寻找与所述待分类图像对应的神经网络的多个网络超参数；/n将多个所述网络超参数进行组合，创建适合所述待分类图像的CNN模型；/n通过所述待分类图像的CNN模型对所述待分类图像进行分类，并输出图像分类结果。/n

【技术特征摘要】
1.一种基于遗传算法的CNN图像分类方法，包括：
获取待分类图像；
在预设搜索空间中寻找与所述待分类图像对应的神经网络的多个网络超参数；
将多个所述网络超参数进行组合，创建适合所述待分类图像的CNN模型；
通过所述待分类图像的CNN模型对所述待分类图像进行分类，并输出图像分类结果。


2.根据权利要求1所述的方法，其特征在于，所述在预设搜索空间中寻找与所述待分类图像对应的神经网络的多个网络超参数，包括：
基于遗传算法在预设搜索空间中寻找并输出与所述待分类图像对应的神经网络的多个网络超参数；
其中，所述网络超参数包括网络层的数量、特征图映射的数量、学习率、权重衰减因子和/或动量。


3.根据权利要求2所述的方法，其特征在于，所述基于遗传算法在所述预设搜索空间中寻找并输出与所述待分类图像对应的神经网络的多个网络超参数，包括：
在所述预设搜索空间随机选择参数在设定范围内的多个个体；所述个体的编码具有预设架构的超参数和CNN模型；
根据多个所述个体创建所述待分类图像的初始种群；其中，所述初始种群为CNN模型的集合；
基于遗传算法对所述初始种群进行反复迭代，在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数。


4.根据权利要求3所述的方法，其特征在于，所述基于遗传算法对所述初始种群进行反复迭代，在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数，包括：
设置预定义的最大代数；
基于遗传算法计算所述初始种群中每个个体的适合度分数，根据所述适合度分数评估所述初始种群中每个个体的适应性并进行降序排列，筛选出所述初始种群中的第一目标个体添加到下一代中；
从所述初始种群中除所述目标个体的剩余个体中随机选取具有预设保留概率的第二目标个体添加到所述下一代中；
从所述下一代中随机选取两个不同的个体参与统一交叉操作，并以预定义的突变概率进行突变操作，以此来创建新代；
将所述下一代和基于所述下一代创建的新代组合成新的初始种群进行反复迭代，直至达到所述预定义的最大代数，从而在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数。


5.根据权利要求4所述的方法，其特征在于，所述将多个所述网络超参数进行组合，创建适合所述待分类图像的CNN模型，包括：
依据所述超参数中的输出网络层的数量和特征图映射的数量，采用预设的规则创建所述待分类图像的CNN模型；
其中，所述C...

【专利技术属性】
技术研发人员：彭浩，
申请(专利权)人：北京影谱科技股份有限公司，
类型：发明
国别省市：北京;11