一种图像分类模型的构建方法和图像分类方法技术

本发明专利技术公开了一种图像分类模型的构建方法，包括：建立密集型神经网络，其中，密集型神经网络包含若干个密集块和过渡层，并且所有密集块通过所述过渡层以密集连接方式相连；使用有限图像数据集，对密集型神经网络进行训练，形成图像分类模型，以利用图像分类模型完成图像分类任务。本发明专利技术提高了图像特征的重复使用率，解决了神经网络在小样本数据集上的过拟合问题，提高了深度学习的精度。

【技术实现步骤摘要】
一种图像分类模型的构建方法和图像分类方法
本专利技术涉及图像分类
，尤其是涉及一种图像分类模型的构建方法和图像分类方法。
技术介绍
图像分类技术是计算机视觉领域的热门研究方向之一，它是实现人脸识别、无人驾驶和医学检测等应用的重要基础，因此，图像分类具有很高的学术研究意义和现实应用价值。典型的图像分类算法主要涉及图像特征的表示和获得好的分类参数这两个问题。在实现本专利技术过程中，专利技术人发现现有图像分类方法主要依赖人工设计的图像描述符对图像特征进行提取，例如：尺度不变特征变换(SIFT)、方向梯度直方图(HOG)和词袋模型(BoW)等，这些方法不仅效率低下，而且局限性很大。另外，随着大数据、云计算和计算机硬件GPU等技术的不断发展，深度学习显示出极大优势，大样本数据集让机器可以充分进行有效地学习。然而，很多情况下用于训练的数据集并不充足，比如，因病人隐私等原因不能全部公开的医学图像数据，数据量不足会导致模型过拟合，虽然，简单的数据增强和正则化技术在一定程度上可以缓解该问题，但该问题还是没有得到彻底解决。因此，针对小样本数据本文档来自技高网...

【技术保护点】
1.一种图像分类模型的构建方法，包括：/n建立密集型神经网络，其中，所述密集型神经网络包含若干个密集块和过渡层，并且所有密集块通过所述过渡层以密集连接方式相连；/n使用有限图像数据集，对所述密集型神经网络进行训练，形成图像分类模型，以利用所述图像分类模型完成图像分类任务。/n

【技术特征摘要】
1.一种图像分类模型的构建方法，包括：
建立密集型神经网络，其中，所述密集型神经网络包含若干个密集块和过渡层，并且所有密集块通过所述过渡层以密集连接方式相连；
使用有限图像数据集，对所述密集型神经网络进行训练，形成图像分类模型，以利用所述图像分类模型完成图像分类任务。


2.根据权利要求1所述的构建方法，其特征在于，在建立密集型神经网络步骤中，包括：
确定所述密集型神经网络的总体结构及各密集块的内部结构，其中，不同的密集块包含不同组数个的基本神经网络结构；
确定当前模型训练所需的损失函数及相应的优化方法，以利用当前损失函数及优化方法对所述密集型神经网络进行训练。


3.根据所述权利要求2所述的构建方法，其特征在于，所述基本神经网络结构包括：瓶颈层、具有预设尺寸卷积核的卷积层、以及dropout层。


4.根据权利要求3所述的构建方法，其特征在于，所述预设尺寸优选为2，所述优化方法优选为自适应矩估计法，所述瓶颈层和所述卷积层的激活函数采用带泄露的修正线性单元。


5.根据权利要求2～4中任一项所述的构建方法，其特征在于，所述密集型神经网络包括：...

【专利技术属性】
技术研发人员：董密，肖羽虹，郭颜，李力，杨建，宋冬然，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43