基于混合深度可分离膨胀卷积的图像分类模型及其分类方法技术

本发明专利技术公开了一种基于混合深度可分离膨胀卷积的图像分类模型，构建过程包括：从前至后将深度可分离膨胀卷积层、特征信息拼接层、卷积层、批标准化层和修正线性单元层封装成混合深度可分离膨胀卷积模块；从前至后将卷积层、批量归一化层、修正线性单元层、混合深度可分离膨胀卷积模块、最大值池化层、压平层、随机失活层和全连接层封装构成深度神经网络的主干网络；对主干网络的参数权重进行随机初始化，并预设迭代次数和批量归一化层的动量参数；采用随机梯度下降法优化网络模型的参数，重复迭代计算，直至损失值收敛，得到最优的网络模型。通过上述方案，本发明专利技术具有架构简单、计算工作量少、分类精准等优点。分类精准等优点。分类精准等优点。

【技术实现步骤摘要】
基于混合深度可分离膨胀卷积的图像分类模型及其分类方法


[0001]本专利技术涉及图像处理
，尤其是基于混合深度可分离膨胀卷积的图像分类模型及其分类方法。

技术介绍

[0002]图像是可以客观地展示自然事物，是人们认知世界的重要资源，而且技术人员可以通过分析图像获得有益的信息，发展相关算法。图像分类属于计算机视觉方向，在医疗、食品安全等领域广泛应用。
[0003]目前，现有技术中的图像分类算法主要思想就是给需要分类的图像集合分配对应的标签，对于计算机来说，一张图像就是一个像素矩阵，其利用相关算法技术提取像素矩阵中有效的信息，这与人对图像的认知方式不同。传统图像分类算法主要分为手工特征提取、特征编码、分类器分类这三步骤；其中，常用的手工特征有局部二值化模式特征(Local Binary Pattern，LBP)、尺度不变特征变换(Scale-Invariant Feature Transform，SIFT)以及方向梯度直方图特征(Histogram of Oriented Gradient，HOG)等。特征编码是为了去除冗余的特征信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述图像分类模型构建过程如下：从前至后将深度可分离膨胀卷积层、特征信息拼接层、卷积层、批标准化层和修正线性单元层封装成混合深度可分离膨胀卷积模块；从前至后将卷积层、批量归一化层、修正线性单元层、混合深度可分离膨胀卷积模块、最大值池化层、压平层、随机失活层和全连接层封装构成深度神经网络的主干网络；对主干网络的参数权重进行随机初始化，并预设迭代次数和批量归一化层的动量参数；采用随机梯度下降法优化网络模型的参数，重复迭代计算，直至损失值收敛，得到最优的网络模型。2.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述混合深度可分离膨胀卷积模块中的深度可分离膨胀卷积层采用3个、且并行布设。3.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述混合深度可分离膨胀卷积模块设置有8个，并按2、3、3进行分块，且任一分块后设置有一最大值池化层。4.根据权利要求2所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述混合深...

【专利技术属性】
技术研发人员：闫超，黄俊洁，陶陶，
申请(专利权)人：成都东方天呈智能科技有限公司，
类型：发明
国别省市：