一种基于改进CNN的小样本图像分类方法技术

本发明专利技术提供一种基于改进CNN的小样本图像分类方法，涉及图像分类技术领域。本发明专利技术通过对浅层卷积神经网络进行分析，构建了一个针对小样本图像分类任务的模型。在数据预处理过程中，较大程度保留图像原始信息的情况下，又增加了图像的变化，有效地减轻了网络的过拟合，分类模型的效果得到了显著的提升，十分适用于小样本数据分类。与原始分类模型相比，本发明专利技术的分类效果有了明显的提升。

【技术实现步骤摘要】
一种基于改进CNN的小样本图像分类方法
本专利技术涉及图像分类
，尤其涉及一种基于改进CNN的小样本图像分类方法。
技术介绍
图像分类是根据目标在图像信息中反映出的不同特征，把不同类别的目标区分开的一种图像处理方法。数字化图像可以通过计算机算法，自动分析出各个区域的特征，将其分成若干类别。传统的图像分类算法有多种类别。基于颜色的图像分类，将差别小的相邻像素归为一类。由于每一类物体都有其独特的颜色特征，利用颜色对比度差异，可以将一幅图像分成几个类别。基于纹理的图像分类，通过像素的邻域灰度空间分布规律来进行分类，灰度共生矩阵是对图像做纹理特征提取的一种常用统计分析方法。传统的图像分类方法，通常提取图像的底层特征进行分类，例如颜色，纹理，形状，位置等。然而，底层的信息有多种提取方法，易受人的主观程度影响。并且，图像分类很大程度上是由高级的语义特征来决定的，仅凭底层的图像信息，无法有效的对图像建模。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一种包含卷积操作的前馈神经网络，能较好地提取图像的特征本文档来自技高网...

【技术保护点】
1.一种基于改进CNN的小样本图像分类方法，其特征在于，包括以下步骤：/n步骤1：对样本图像进行预处理，将样本图像转换成统一的PNG格式；/n步骤2：分析处理后的样本图像的像素值分布，计算数据的均值和标准差；/n设x表示样本图像，x

【技术特征摘要】
1.一种基于改进CNN的小样本图像分类方法，其特征在于，包括以下步骤：
步骤1：对样本图像进行预处理，将样本图像转换成统一的PNG格式；
步骤2：分析处理后的样本图像的像素值分布，计算数据的均值和标准差；
设x表示样本图像，xi表示样本图像的每个像素点值，像素点总数为n，计算像素的均值以及像素的标准差S公式如下：






步骤3：使用基于RCR(RCR为Resize调整尺寸-Crop剪裁-Resize调整尺寸)的数据增强策略，对处理后的样本图像进行尺寸调整、垂直翻转、水平翻转和旋转，根据均值和标准差进行图像的像素值归一化；
步骤4：将步骤3中输出的样本图像输入至卷积神经网络，训练CNN-1CL卷积神经网络，直到网络趋于收敛；
步骤5：使用CNN-1CL卷积神经网络对测试集进行训练与测试，输出预测结果，实现小样本数据集的准确自动分类；所述测试集包括正例和负例的待测图片；
所述CNN-1CL卷积神经网络的输入大小为3*224*224，batchsize为32，使用交叉熵作为损失函数H，如下式所示：
H(x，q)＝-Σxp(x)logq(x)
其中x为输入数据，p为图像的真实标签分布，q为模型预测的标签分布；优化器为Adam，学习率为0.001，betas＝(0.9，0.999)，模型训练使用动态学习率调整策略，学习率每100轮下降一半；
测试集图片通过resize和crop调整到3*224*224；将网络输出概率最大的值的类别作为预测标签，使用真实标签进行评价指标的计算。


2.根据权利要求1所述的一种基于改进CNN的小样本图像分类方法，其特征在于，所述CNN-1CL卷积神经网络共有三层，第一层由3个1*1的卷积层和Relu激活函数组成，后接四个由7*7的卷积层、Relu激活函数、批归一化(BN)和最大池化层(Max-Pool)组成的模块，其中四个7*7的卷积...

【专利技术属性】
技术研发人员：王海旭，栗伟，王乙晴，王珊珊，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21