[发明专利]一种图像分类方法及装置

权利要求书

1.一种图像分类方法，其特征在于，包括：

基于图像大数据集，训练AlexNet模型结构，所述AlexNet模型结构为包括依次相连的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层及softmax分类器的模型；

将训练好的所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层及所述第五卷积层迁移至小型数据库构成底层特征提取层，并与包括两层卷积层的残差网络层、多尺度池化层、特征层及所述softmax分类器构建得出迁移模型结构；

其中，所述多尺度池化层包括与所述第一卷积层相连的第一多尺度池化层、与所述第三卷积层相连的第二多尺度池化层及与所述第五卷积层相连的第三多尺度池化层；所述特征层为所述残差网络层提取的特征图和所述多尺度池化层提取的特征图串联构成的特征层；

将图像小数据集输入所述迁移模型结构，保持所述底层特征提取层的参数不变，采用批量梯度下降法更新所述残差网络层和所述多尺度池化层的参数，训练得出图像分类混合模型；

根据所述图像分类混合模型，对待分类图像小数据集进行分类，得出分类结果；

其中，所述将图像小数据集输入所述迁移模型结构，保持所述底层特征提取层的参数不变，采用批量梯度下降法更新所述残差网络层和所述多尺度池化层的参数，训练得出图像分类混合模型包括：

获取所述图像小数据集，将所述小数据集输入所述迁移模型结构；

利用所述底层特征提取层提取出所述图像小数据集的初始特征；

利用所述残差网络层对所述初始特征进行训练，得出第一特征图；

利用所述多尺度池化层提取出所述图像小数据集的第二特征图；

串联所述第一特征图和所述第二特征图，得出目标特征图；

将所述目标特征图输入所述softmax分类器，运用所述批量梯度下降法，迭代更新所述残差网络层和所述多尺度池化层的所述参数，训练得出所述图像分类混合模型。

2.如权利要求1所述的图像分类方法，其特征在于，所述残差网络层的激活函数为maxout函数。

3.如权利要求1至2任一项所述的图像分类方法，其特征在于，所述基于图像大数据集，训练AlexNet模型结构包括：

获取所述图像大数据集；

将所述图像大数据集输入至所述AlexNet模型结构，采用变化的dropout参数修剪所述AlexNet模型结构的模型参数，训练所述AlexNet模型结构；

其中，所述dropout参数的更新公式为D₁为初始dropout值，为第一层初始神经元个数，为第i次迭代的dropout保留的神经元个数，δ_i为第i次迭代后的误差率，为第一层网络当前迭代训练更新的dropout阈值，为第一层网络下一次迭代训练更新的dropout阈值。