一种图像分类方法及装置制造方法及图纸

本发明专利技术公开了一种图像分类方法及装置，主要解决现有技术中存在的现有图像分类模型存在的模型性能提升困难及模型分类性能不佳的问题。该发明专利技术对原始图像数据进行处理增加图像数据的多变性以及缓解过拟合线性，将训练集输入VGG16模型计算出其总交叉熵Loss，至loss曲线收敛；提升了VGG16模型提取特征的多粒度性，使模型的提升更易；最后结合投票决策得出最终的VGG16模型，有效地对多个分类结果进行了综合评估，提升了模型分类的可信度。提升了模型分类的可信度。提升了模型分类的可信度。

【技术实现步骤摘要】
一种图像分类方法及装置


[0001]本专利技术涉及深度学习图像分类
，具体地说，是涉及一种图像分类方法及装置。

技术介绍

[0002]图像分类作为图像分析的基础应用，在视觉感知领域如人机交互、智能化监控、内容智能剖析等方面具有重要应用；在图像分类技术中，分类精度作为不可或缺的指标，决定着分类方法的性能，如何有效提升分类模型的分类精度一直是图像分类技术的难点。
[0003]就图像本身而言，图像数据不同于一般结构化数据，图像数据内容更为内涵且复杂，除了图像数据展现的固有内容外，事物的形状、纹理、颜色、亮度等细节信息都对图像数据的分析有着巨大影响。
[0004]目前在图像分类技术中常使用的深度模型均是通过设计模型结构以适应不同的分类任务，通过提取最后一次特征层向量作为图像特征的全局表征，训练分类器得到类别标签；但这种方式存在两个问题：
①
模型性能提升困难，一个高性能模型的设计工程量巨大涉及各领域的学科知识，缺乏快速有效提升模型分类性能的简便方法；
②
现有方法仅使用深度模型的高层抽象特征作为图像本文档来自技高网...

【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，包括以下步骤：S1、对原始图像数据进行处理，然后进行批处理形成训练集；S2、将步骤S1的训练集数据输入VGG16模型丰富其局部表征和全局表征特性，并据此计算出VGG16模型总交叉熵Loss；S3、判断步骤S2得到的VGG16模型的Loss曲线是否收敛，是则执行步骤S4，否则调整步骤S2的VGG16模型超参数重复步骤S2和步骤S3，直至loss曲线收敛；S4、VGG16模型收敛后，通过Softmax分类器得到分类结果，然后对分类结果进行投票统计得到最终预测类别；S5、根据步骤S4的最终预测类别，计算VGG16模型分类精度；S6、通过步骤S5的VGG16模型对图像进行分类。2.根据权利要求1所述的一种图像分类方法，其特征在于，步骤S1中对原始图像的处理包括随机裁剪、旋转、镜像、缩放中任一种或多种。3.根据权利要求1所述的一种图像分类方法，其特征在于，步骤S1中批处理形成训练集的具体过程为：将处理后的数据按设定训练批次大小进行分类，表示为：，其中，为批处理后多张图片的集合，代表训练集中的第n张图片，batchsize为每个批次集合中的图片数量。4.根据权利要求1所述的一种图像分类方法，其特征在于，步骤S2的具体过程如下：S201、搭建VGG16模型，其包含conv1、conv2、conv3、conv4、conv5以及Fc6六个特征层组合模块；S202、分别提取步骤S201的VGG16模型中conv1、conv2、co...

【专利技术属性】
技术研发人员：蓝科，吕宗明，张国兵，张登辉，胥果，曾丸畅，
申请(专利权)人：成都四方伟业软件股份有限公司，
类型：发明
国别省市：