序列随机网络图像分类方法技术

本发明专利技术涉及图像分类与识别领域，尤其是涉及利用序列随机网络的图像分类方法。本发明专利技术方法针对现有图像分类和检索方法的不足，提出一种能够捕获图像一维深度特征序列的随机网络图像分类模型，称为BiLSTM

【技术实现步骤摘要】
序列随机网络图像分类方法


[0001]本专利技术涉及图像分类与识别领域，尤其是涉及利用序列随机网络的图像分类方法。

技术介绍

[0002]图像识别与分类应用十分广泛：比如识别汽车类型、动物类型、根据人脸识别身份等。目前大多数图像采用深度卷积神经模型(比如ResNet、DenseNet)来提取图像特征，然后进行图像内容的识别。近年来也出现了基于注意力机制的Tansformer图像识别模型。虽然这些模型极大提高了对图像的识别性能，由于应用要求越来越高，这些方法也很难满足实际需要。
[0003]网络的深度化和横向化使得模型对机器硬件的要求越来越高，通常训练一个深度模型需要几天甚至几十天；但是换取来对性能的提高确是微不足道的，至少没有达到预期效果。现有网络模型之所以性能受限其中一个根本原因在于忽略了图像序列之间的相关特性。通常在一个训练集合中一个类别有多个样本图像，这些样本图像都有极大的相似性；用深度网络提取出来的特征也存在很强的相关性，利用这种相关性能够有效提高分类效果。

技术实现思路

[0004]本专利技术方法针对现有图像分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别和分类方法，其特征在于它包括以下步骤：步骤1，将在ImageNet上预训练的ResNet
‑
101模型进行迁移学习：首先将在ImageNet大型数据库上训练的网络参数初始化ResNet
‑
101模型，然后在具体的目标数据库上进行迁移学习，获得ResNet
‑
101迁移模型；步骤2，用ResNet
‑
101迁移模型提取图像一维特征，组合成特征向量数据库：将ResNet
‑
101迁移模型在目标数据库上计算每一个图像的特征，图像特征是2048维的特征向量；将目标数据库中的图像特征重新组合成一个特征向量数据库；步骤3，在特征向量数据库上训练序列随机网络BiLSTM
‑
TDN；步骤4，用训练后的序列随机网络BiLSTM
‑
TDN分类和识别图像：给定一副图像，首先用ResNet
‑
101迁移模型提取出该图像的2048维特征向量，将该图像的特征向量输入网络识别出该图像的类别。2.根据权利要求1所述的一种图像识别和分类方法，其特征在于设计了序列随机网络BiLSTM
‑

【专利技术属性】
技术研发人员：李朝荣，覃凤清，曾安平，
申请(专利权)人：宜宾学院，
类型：发明
国别省市：