一种基于深度学习的图像分类模型组合方法技术

本发明专利技术公开了一种基于深度学习的图像分类模型组合方法，涉及图像分类技术领域，具体步骤包括：对训练集图像进行预处理；构建图像分类模型；将训练集图像输入到图像分类模型中进行训练，得到与当前训练集图像对应的图像分类模型，获得训练好的图像分类模型；对不同类别的图像进行训练，得到训练好的图像分类模型集；确定图像分类模型集中每个图像分类模型的特征组合信息，将各个图像分类模型的特征组合信息融合为组合模型。本发明专利技术可以同时对多种类别的图像进行分类，得到分类结果，不仅可以提高图像的分类准确率，在对多种类别的图像进行分类时，能够减少训练时间，提高分类效率。提高分类效率。提高分类效率。

【技术实现步骤摘要】
一种基于深度学习的图像分类模型组合方法


[0001]本专利技术涉及图像分类
，更具体的说是涉及一种图像分类模型的组合方法。

技术介绍

[0002]近年来，深度学习算法在图像分类领域得到广泛关注，与基于浅层学习获得手工特征的传统机器学习算法相比，深度学习方法通过联合多个非线性浅层特征，并在此基础上构造出更加抽象的高阶特征，如同大脑的深度结构，深度学习中，每一个输入对象会以多层抽象形式表现出来，每个层次对应于不同的皮层区域。深度学习的优势在于它获得的多层次特征是使用通用的学习过程从原始数据中学习获得的，而不是由手工筛选设计出来。深度学习可以像人脑一样对外界输入事物进行分析和理解，该网络优势被广泛应用于图像、文本、声音等研究领域。
[0003]在图像分类领域中，深度学习利用设定好的网络结构，完全从训练数据中学习图像的层级结构性特征，能够提取更加接近图像高级语义的抽象特征，从而确定目标图像的分类模型，在图像分类上的表现远远超过传统方法；如果面对的是一个或少量几个固定的图像进行分类，那么可以逐个将这些图像类别需要用到的模型都预先分别打包，成为解决不同固定图像类别的模型，然后分别部署应用。但是如果面向的是多种类别的图像时，这样打包模型，就会产生大量重复的、类似的工作。
[0004]因此，如何提供一种图像分类模型的组合方法以提高图像分类准确率并且可以同时对多种类别的图像进行分类是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于深度学习的图像分类模型组合方法，通过深度学习网络，采用逐层初始化的训练方式，充分发挥深度学习自我学习的优势，有效解决训练比较慢的问题；并且可以同时对多种类别的图像进行分类，得到分类结果，不仅可以提高图像的分类准确率，在对多种类别的图像进行分类时，能够减少训练时间，提高分类效率。
[0006]为了实现上述目的，本专利技术采用如下技术方案：一种基于深度学习的图像分类模型组合方法，包括以下步骤：
[0007]S101、对训练集图像进行预处理；训练集图像包括无标签图像和有标签图像；
[0008]S102、构建图像分类模型；图像分类模型包括深度学习网络和分类器；深度学习网络包括输入层、隐藏层、输出层，输入层主要用于获取输入的图像信息，隐藏层用于进行特征提取，输出层用于输出具有代表性的特征组合；其中，隐藏层首先使用自下向上非监督学习，然后使用自上向下监督学习；
[0009]S103、将训练集图像输入到图像分类模型中进行训练，得到与当前训练集图像对应的图像分类模型，获得训练好的图像分类模型；
[0010]S104、重复S103，对不同类别的图像进行训练，得到训练好的图像分类模型集；
[0011]S105、确定图像分类模型集中每个图像分类模型的特征组合信息，将各个图像分类模型的特征组合信息融合为组合模型。
[0012]优选的，对训练集图像进行预处理过程包括：对训练集图像进行镜像、剪切、旋转以及随机擦除处理，同时对训练集图像进行归一化处理。
[0013]对训练集图像进行预处理包括对图像的镜像、剪切、旋转以及随机擦除处理，不仅可以增加数据集的数量，还可以增加图像的识别难度和训练过程中的难度，让模型能够学到更多的有效特征以及数据增强提升分类性能，增强模型的泛化性；对训练集图像进行归一化的目的是为了让某些激活函数的梯度不致于过小，加快收敛；对训练集图像进行预处理还包括：调整大小到统一尺寸，目的是适应模型训练。
[0014]优选的，隐藏层首先使用自下向上非监督学习，包括：
[0015]S1021，随机采样图像，采用无标签图像训练第一层，从而得到比输入更具表示能力的特征，这些特征以一定的比例相互叠加得到原图像；
[0016]S1022，在学习得到第n
‑
1层后，将第n
‑
1层的输出作为第n层的输入，训练第n层，分别得到对应的各层的参数。
[0017]优选的，对参数进行调整，包括：对输入进行编码得到输出特征，再将输出特征进行反编码，与输入进行对比，调整编码与反编码参数使重构误差最小。
[0018]使用无标签图像数据进行非监督学习，当输入图像后，能够准确的提取到图像所具有的特征，进行逐层提取特征直至形成某一图像类别的概念，并对参数进行调整，使重构误差最小。
[0019]优选的，隐藏层使用自上向下监督学习的具体步骤包括：通过对有标签的图像进行训练，误差自上向下传输，对每一层的参数进行微调；通过监督学习测试分类的准确率。
[0020]优选的，训练集图像为对训练集中原始图像进行尺度缩放后的图像；从而提高计算效率，加快训练速度。
[0021]优选的，将训练集图像输入到图像分类模型中进行训练，包括：
[0022]S1031、获取输入的训练集图像；
[0023]S1032、对图像进行特征提取，完成自下向上非监督学习与自上向下监督学习；
[0024]S1033、逐层计算后输出图像具有代表性的特征；
[0025]S1034、分类器利用这些特征组合对图像进行分类，得到分类结果。
[0026]通过训练集图像对图像分类模型进行训练，完成对图像的分类。
[0027]优选的，图像具有代表性的特征，包括图像的边缘特征组合、图像的基本形状特征组合、图像的色彩特征组合；方便分类器根据这些特征组合对图像进行分类，得到分类结果。
[0028]经由上述的技术方案可知，与现有技术相比，本专利技术公开了一种基于深度学习的图像分类模型组合方法，对训练集图像进行预处理；构建图像分类模型；其中，图像分类模型包括深度学习网络和分类器，深度学习网络包括输入层、隐藏层、输出层，输入层主要用于获取输入的图像信息，隐藏层用于进行特征提取，输出层用于输出具有代表性的特征组合；将训练集图像输入到图像分类模型中进行训练，得到与当前训练集图像对应的图像分类模型，获得训练好的图像分类模型；对不同类别的图像进行训练，得到训练好的图像分类模型集；确定图像分类模型集中每个图像分类模型的特征组合信息，将各个图像分类模型
的特征组合信息融合为组合模型。本专利技术通过深度学习网络，采用逐层初始化的训练方式，充分发挥深度学习自我学习的优势，有效解决训练比较慢的问题；并且可以同时对多种类别的图像进行分类，得到分类结果，不仅可以提高图像的分类准确率，在对多种类别的图像进行分类时，能够减少训练时间，提高分类效率。通过分类器进行分类，避免了人工选取的局限性，适应能力更强。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0030]图1附图为本专利技术图像分类模型组合方法的流程图。
具体实施方式
[0031]下面将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像分类模型组合方法，其特征在于，包括以下步骤：S101、对训练集图像进行预处理；所述训练集图像包括无标签图像和有标签图像；S102、构建图像分类模型；所述图像分类模型包括深度学习网络和分类器；所述深度学习网络包括输入层、隐藏层、输出层，所述输入层主要用于获取输入的图像信息，所述隐藏层用于进行特征提取，所述输出层用于输出具有代表性的特征组合；其中，隐藏层首先使用自下向上非监督学习，然后使用自上向下监督学习；S103、将所述训练集图像输入到图像分类模型中进行训练，得到与当前训练集图像对应的图像分类模型，获得训练好的图像分类模型；S104、重复S103，对不同类别的图像进行训练，得到训练好的图像分类模型集；S105、确定图像分类模型集中每个图像分类模型的特征组合信息，将各个图像分类模型的特征组合信息融合为组合模型。2.根据权利要求1所述的一种基于深度学习的图像分类模型组合方法，其特征在于，所述对训练集图像进行预处理包括：对训练集图像进行镜像、剪切、旋转以及随机擦除处理，同时对训练集图像进行归一化处理。3.根据权利要求1所述的一种基于深度学习的图像分类模型组合方法，其特征在于，所述隐藏层首先使用自下向上非监督学习，包括：S1021，随机采样图像，采用无标签图像训练第一层，从而得到比输入更具表示能力的特征，这些特征以一定的比例相互叠加得到原图像；S1022，在学习得到第...

【专利技术属性】
技术研发人员：徐兴敏，王仁林，张玉艳，
申请(专利权)人：潍坊学院，
类型：发明
国别省市：