基于轻量化残差网络的图像分类方法技术

本发明专利技术公开了一种基于轻量化残差网络的图像分类方法，主要解决现有图像分类方法的网络模型参数数量过多，图像特征信息利用不充分的问题，其实现方案是：获取训练样本集和测试样本集；对传统的残差单元进行更改，建立五个不同的轻量化单元块，并将其与全连接层、分类器依次级联，构成的轻量化残差网络图像分类模型；利用训练样本集采用反向传播算法对构建的图像分类模型进行训练；将测试样本集输入到训练好的轻量化残差网络图像分类模型中，得到分类结果。本发明专利技术不仅在图像分类任务中能够得到较高的图像分类准确率，而且减少了网络模型参数量，提高了网络的运行速度，可用于人脸、交通场景、医学图像的识别，图像检索和相册自动归类。类。类。

【技术实现步骤摘要】
基于轻量化残差网络的图像分类方法


[0001]本专利技术属于图像处理
，更进一步涉及一种图像分类方法，可用于人脸、交通场景、医学图像的识别，图像检索和相册自动归类。

技术介绍

[0002]图像分类是从图像中获取能够代表该图像内容的特征，然后利用计算机对该特征进行分析，从而得到该图像所属类别的一项技术。在实际的图像分类任务中，往往会预先给定几个图像类别信息，计算机会给出该图像属于各类别的概率值，并最终判定概率值最大的类别即为该图像所属类别。因此，在图像分类任务中，从图像中所学习和提取到的特征是决定图像类别判定的关键性因素，如何提取到更加具有代表性更丰富的特征也成为学者们研究和关注的重点。
[0003]传统的图像分类方法首先通过人工提取特征的方式从图像中获取特征信息，然后再使用分类器判断图像种类，例如Dalal N,和Triggs B在Histograms of oriented gradients forhuman detection中使用方向梯度直方图进行手工特征的提取。该方法的主要步骤是，将图像分成小的连通区域，然后采集连通区域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化残差网络的图像分类方法，其特征在于，包括如下：(1)获取训练样本集R1和测试样本集E1：(1a)从网上下载已经划分为训练样本和测试样本的K幅RGB图像数据集，每种样本包含T个目标类别幅RGB图像，其中t为类别标签，t∈{1,2...,T}，r为样本类型，取值为0表示训练样本，取值为1表示测试样本，样本数随着样本类别的不同而不同，T≥10，K≥10000，(1b)将数据集中的训练样本设置为训练样本集R1，测试样本设置为测试样本集E1；(2)构建轻量化残差网络图像分类模型：(2a)搭建由一层卷积层和一层最大池化层顺次叠加构成的第一单元块Stage1；(2b)将传统残差单元构建模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该构建模块的快捷连接上增加一个卷积核为3，步长为2的平均池化层，得到第二单元块Stage2；(2c)将传统残差单元构建模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该构建模块的快捷连接上增加一个卷积核为3*3，步长为2的平均池化层；最后在该构建模块的末尾添加一个大小为3*3、步长为2的卷积层，得到第三单元块Stage3；(2d)将传统残差单元瓶颈模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该瓶颈模块的快捷连接上增加一个卷积核为3*3，步长为2的平均池化层，得到第四单元块Stage4；(2e)将传统残差单元瓶颈模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该瓶颈模块的快捷连接上增加一个卷积核为3*3，步长为2的平均池化层；最后在该瓶颈模块的末尾添加一个大小为3*3、步长为2的卷积层，得到第五单元块Stage5；(2f)将上述得到的这五个单元块Stage1、Stage2、Stage3、Stage4、Stage5依次连接使之成为一个单元块序列，再在该单元块序列后级联一个全连接层和一个分类器，得到轻量化残差网络图像分类模型；(3)将训练样本集R1输入到轻量化残差网络图像分类模型，利用反向传播算法进行训练，得到训练好的轻量化残差网络图像分类模型；(4)将测试样本集E1输入到训练好的轻量化残差网络图像分类模型中，得到E1中每一张RGB测试图像的类别标签。2.根据权利要求1所述的方法，其中(3)中所述的将训练样本集R1输入到轻量化残差网络图像分类模型，利用反向传播算法进行训练，实现如下：(3a)利用正交初始化方法对网络参数进行随机初始化，设最大迭代次数为E＝500；(3b)将训练样本集R1输入到第一单元块Stage1中，依次经过卷积、池化操作得到每一张RGB输入图像初始特征(3c)将初始特征依次输入到第二单元块Stage2、第三单元块Stage3、第四单元块Stage4、第五单元块Stage5中，再利用挤压和激励操作调节第五单元块Stage5...

【专利技术属性】
技术研发人员：田小林，高原，张力，杨婷焦，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：