一种基于CNN神经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CNN神经网络的图像分类方法，包括以下步骤：通过特征提取方法提取图像的特征，所述图像特征包括边缘、纹理；构建CNN神经网络；将神经网络中的若干注意力头、维度和若干池化层组成单条卷积路径，采用寻优算法对卷积路径进行寻优，搜索过程中计算该卷积路径的类内差异不平衡损失和类间差异不平衡损失；采用多目标演化算法对损失进行优化；使用优化后的卷积神经网络对图像进行分类，输出分类结果。本申请使用多目标优化算法得到注意力头的个数、维度和池化层的最优数量，提高了神经网络的计算效率，以最小化类内差异不平衡损失和类间差异不平衡损失为目标，从而提高了图像分类的准确度。

【技术实现步骤摘要】

本专利技术属于人工智能，尤其涉及一种基于cnn神经网络的图像分类方法。

技术介绍

1、深度神经网络通过多层非线性变换，能够有效地从高维输人空间中提取到有效的特征，同时具有较强的泛化能力和鲁棒性。这种特征提取自动化的能力使得深度强化学习在竞争对抗、合作等强化学习任务中取得了令人嘱目的成果。视觉领域的卷积神经网络(convolutional neural network，cnn)、深度残差网络，自然语言处理领域的循环神经网络(recurrent neural network，rnn)、transformer结构等，都是优秀的基于深度学习的人工智能感知模型。其中，cnn神经网络在图像分类中得到广泛应用，主要是因为其能够自动提取图像特征、降低计算复杂度、具有平移不变性以及多层卷积和池化等特性。这些特性使得cnn在图像分类任务中具有很高的准确性和鲁棒性，因此被广泛应用于各种图像分类场景中。

2、cnn神经网络的性能受到其网络结构和参数配置的影响，不同的网络结构和参数配置会对模型的性能产生不同的影响。因此需要空间搜索自动地探索不同的网络结构和参数配置，并找本文档来自技高网...

【技术保护点】

1.一种基于CNN神经网络的图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于CNN神经网络的图像分类方法，其特征在于，所述搜索算法对该卷积路径组成的卷积神经网络进行性能评估，然后采用多目标演化算法对优化指标进行非支配排序并选择表现突出的卷积路径进行突变与交叉，从而实现对CNN神经网络的优化；经过多目标演化算法对卷积路径的搜索，得到一组帕累托最优解，即一组卷积路径。

3.根据权利要求2所述的基于CNN神经网络的图像分类方法，其特征在于，采用多目标演化算法对卷积路径的类内差异不平衡损失和类间差异不平衡损失进行非支配排序；所述非支配排序根据计算卷积...

【技术特征摘要】

1.一种基于cnn神经网络的图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于cnn神经网络的图像分类方法，其特征在于，所述搜索算法对该卷积路径组成的卷积神经网络进行性能评估，然后采用多目标演化算法对优化指标进行非支配排序并选择表现突出的卷积路径进行突变与交叉，从而实现对cnn神经网络的优化；经过多目标演化算法对卷积路径的搜索，得到一组帕累托最优解，即一组卷积路径。

3.根据权利要求2所述的基于cnn神经网络的图像分类方法，其特征在于，采用多目标演化算法对卷积路径的类内差异不平衡损失和类间差异不平衡损失进行非支配排序；所述非支配...

【专利技术属性】
技术研发人员：黄金才，丁易，梁星星，程光权，黄魁华，吴克宇，胡星辰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：