图像分类方法、装置和计算机设备制造方法及图纸

本申请涉及一种图像分类方法、装置和计算机设备。所述方法包括：获取图像样本，通过第一池化层对经过卷积后的特征图中的每个池化框进行k次最小池化，对k个最小值取平均值得到最小池化平均值；通过第二池化层对图像样本进行平均池化，得到平均池化特征图；根据预先设置的权重，对平均池化特征图进行加权，得到每个池化框对应的极端门限值；若最小池化平均值小于极端门限值，则舍弃池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；利用去极端特征图训练图像分类模型，得到训练好的图像分类模型；获取待分类图像的去极端特征图，将去极端特征图输入训练好的图像分类模型，得到图像类别。采用本方法能够提高图像分类的准确性。类的准确性。类的准确性。

【技术实现步骤摘要】
图像分类方法、装置和计算机设备


[0001]本申请涉及图像处理
，特别是涉及一种图像分类方法、装置和计算机设备。

技术介绍

[0002]在对图像进行分类时，通常是通过卷积神经网络进行分类，在卷积神经网络中，首先对图像进行池化操作，最常见的池化方法是最大池化和平均池化。最大池化只保留池化框中的最大值，因而最大池化可以有效提取出特征图中最具代表性的信息。平均池化是通过计算出池化框中所有值的均值，因而可以平均获取特征图中的所有信息，不致丢失过多关键信息。这两种方法由于计算简单、效果较好且能解决减少参数、降低维度等问题，因而在以往的深度神经网络模型中被广泛使用，但这两种方法的缺点也是不可忽视的。最大池化由于完全忽略了特征图中除了最大值以外的其他特征值，这往往导致保留了特征图中的前景信息而忽略了所有的背景信息；而平均池化由于取得了所有池化框中特征值之和的均值，虽然对特征图中的背景信息有所保留，但是没有将特征图中的前景信息和背景信息有效地区分开。
[0003]随着深度神经网络模型的不断优化，国内外有许多新的池化方法相继被提出。其中大部分是通过改变传统池化方法的计算方式以适应他们的网络模型，少部分将最大池化和平均池化以不同形式结合，这些池化方法在目标检测、图像识别等领域均有较好的运用。这些新的方法被分为池化框大小固定的池化方法和池化框大小不固定的池化方法。池化框大小固定的池化方法又分为序相关和序无关的两类。序无关的池化方法又分为确定性池化方法和随机性池化方法。这些新的池化方法运用在不同的数据集上均较传统池化方法在精度、错误率和鲁棒性等关键数据下获得较大提升。虽然池化方法的更新弥补了很多缺陷，在实际应用过程中取得了不错的效果，但是，池化层要面对的问题还有很多。如，在以往平均池化的方法中，通过对池化框中的特征值进行取平均得到最后的特征值，在这中的平均池化操作下，虽然大部分特征值出现在平均曲线较近的位置，但在特征图中较小的值占有较大的比重的情况下，较小的特征值会将整个池化框进行平均池化后的特征平均值拉低，造成最终平均值太小的情况，特征的代表性被弱化。在对于平均池化层出现两极相差较大的情况没有得到有效的解决，在以往的卷积神经网络的分类任务中，在模型适应平均池化的情况下，特征图中的某些特征值极度远离平均值的情况时有出现，虽然这类特征值是背景信息中的一部分，但平均池化操作是在当特征中的信息都具有一定贡献的前提下使用，这显然与平均池化操作的初衷相违背。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够决平均池化时存在背景信息过小会导致图像分类准确性下降问题的图像分类方法、装置和计算机设备。
[0005]一种图像分类方法，所述方法包括：
[0006]获取图像样本，通过第一池化层对所述图像样本中每个池化框中的数据进行k次最小池化，得到k个最小池化特征值，取平均值得到最小池化平均值；其中k为池化框维度；
[0007]通过第二池化层对所述图像样本进行平均池化，得到平均池化特征图；其中，第二池化层是对池化框中的数据计算平均值；
[0008]根据预先设置的权重，对所述平均池化特征图进行加权，得到每个池化框对应的极端门限值；
[0009]若所述最小池化平均值小于所述极端门限值，则舍弃所述池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；
[0010]利用所述去极端特征图采用梯度下降算法训练预先构建的图像分类模型，得到训练好的图像分类模型；其中，舍弃位置的数据对应的梯度设置为0；
[0011]获取待分类图像的去极端特征图，将待分类图像的去极端特征图输入训练好的图像分类模型，得到待分类图像的图像类别。
[0012]在其中一个实施例中，还包括：确定池化框中进行平均池化的数据的池化数量，将反向传播过程的梯度分为所述池化数量的等份；将每份梯度分给所述去极端特征图中的数据进行反向传播训练预先构建的图像分类模型，得到训练好的图像分类模型。
[0013]在其中一个实施例中，还包括：提取所述池化框中的最小值后，通过最小池化，得到第二小值；提取最小值和第二小值后，通过最小池化，得到第三小值。
[0014]一种图像分类装置，所述装置包括：
[0015]极端值处理模块，用于获取图像样本，通过第一池化层对所述图像样本中每个池化框中的数据进行k次最小池化，得到k个最小池化特征值，取平均值得到最小池化平均值；通过第二池化层对所述图像样本进行平均池化，得到平均池化特征图；其中，第二池化层是对池化框中的数据计算平均值；根据预先设置的权重，对所述平均池化特征图进行加权，得到每个池化框对应的极端门限值；若所述最小池化平均值小于所述极端门限值，则舍弃所述池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；
[0016]训练模块，用于利用所述去极端特征图采用梯度下降算法训练预先构建的图像分类模型，得到训练好的图像分类模型；其中，舍弃位置的数据对应的梯度设置为0；
[0017]分类模块，用于获取待分类图像的去极端特征图，将待分类图像的去极端特征图输入训练好的图像分类模型，得到待分类图像的图像类别。
[0018]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0019]获取图像样本，通过第一池化层对所述图像样本中每个池化框中的数据进行k次最小池化，得到k个最小池化特征值，取平均值得到最小池化平均值；
[0020]通过第二池化层对所述图像样本进行平均池化，得到平均池化特征图；其中，第二池化层是对池化框中的数据计算平均值；
[0021]根据预先设置的权重，对所述平均池化特征图进行加权，得到每个池化框对应的极端门限值；
[0022]若所述最小池化平均值小于所述极端门限值，则舍弃所述池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；
[0023]利用所述去极端特征图采用梯度下降算法训练预先构建的图像分类模型，得到训
练好的图像分类模型；其中，舍弃位置的数据对应的梯度设置为0；
[0024]获取待分类图像的去极端特征图，将待分类图像的去极端特征图输入训练好的图像分类模型，得到待分类图像的图像类别。
[0025]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0026]获取图像样本，通过第一池化层对所述图像样本中每个池化框中的数据进行k次最小池化，得到k个最小池化特征值，取平均值得到最小池化平均值；
[0027]通过第二池化层对所述图像样本进行平均池化，得到平均池化特征图；其中，第二池化层是对池化框中的数据计算平均值；
[0028]根据预先设置的权重，对所述平均池化特征图进行加权，得到每个池化框对应的极端门限值；
[0029]若所述最小池化平均值小于所述极端门限值，则舍弃所述池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；
...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：获取图像样本，通过第一池化层对所述图像样本进行k次最小池化，其中k为池化框维度，得到k个最小池化特征值，取平均值得到最小池化平均值；通过第二池化层对所述图像样本进行平均池化，得到平均池化特征图；其中，第二池化层是对池化框中的数据计算平均值；根据预先设置的权重，对所述平均池化特征图进行加权，得到每个池化框对应的极端门限值；若所述最小池化平均值小于所述极端门限值，则舍弃所述池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；利用所述去极端值特征图采用梯度下降算法训练预先构建的图像分类模型，得到训练好的图像分类模型；其中，舍弃位置的数据对应的梯度设置为0；获取待分类图像的去极端值特征图，将待分类图像的去极端值特征图输入训练好的图像分类模型，得到待分类图像的图像类别。2.根据权利要求1所述的方法，其特征在于，利用所述去极端值特征图采用梯度下降算法训练预先构建的图像分类模型，得到训练好的图像分类模型，包括：确定池化框中进行平均池化的数据的池化数量，将反向传播过程的梯度分为所述池化数量的等份；将每份梯度分给所述去极端值特征图中的数据进行反向传播训练预先构建的图像分类模型，得到训练好的图像分类模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：提取所述池化框中的最小值后，通过最小池化，得到第二小值；提取最小值和第二小值后，通过最小池化，得到第三小值。4.一种图像分类装置，其特征在于，所述装置包括：极端值处理模块，用于获取图像样本，通过第一池化层对所述图像样本中的每个池化框中的数据进行k次最小池...

【专利技术属性】
技术研发人员：邓泽林，秦平越，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：