[发明专利]一种图像分类方法及装置

说明书

本发明公开了一种图像分类方法及装置，基于图像大数据集，训练AlexNet模型结构；将训练好的五个卷积层迁移至小型数据库构成底层特征提取层，与包括两层卷积层的残差网络层、多尺度池化层、特征层及softmax分类器构建得出迁移模型结构；将图像小数据集输入迁移模型结构，采用批量梯度下降法更新参数，训练出图像分类混合模型；根据图像分类混合模型进行分类，得出分类结果。本申请通过将在大数据集上预训练好的各卷积层迁移至小数据集，增加多尺度池化层，将残差网络层和多尺度池化层输出的特征量串联起来输入至分类器，增加特征量，同时缓解过拟合问题；且通过基于卷积神经网络和迁移学习训练出的混合模型有效提高图像分类准确率。

技术领域

本发明涉及迁移学习和深度学习领域，特别涉及一种图像分类方法及装置。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)是一种高效识别方法。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。

迁移学习即一种学习对另一种学习的影响，它广泛地存在于知识、技能、态度和行为规范的学习中。任何一种学习都要受到学习者已有知识经验、技能、态度等的影响，只要有学习，就有迁移，使用深度学习技术解决问题的过程中，在面对某一领域的具体问题时，通常可能无法得到构建模型所需规模的数据然而在一个模型训练任务中针对某种类型数据获得的关系也可以轻松地应用于同一领域的不同问题，这就是所谓的迁移学习。

现有的图像分类方法一般是基于小数据集训练分类模型，然后通过该训练分类模型对图片集进行分类。但是，小数据集的数据量较少，用深层卷积网络训练时容易导致模型训练过程中出现过拟合问题，用浅层卷积网络训练时，使图像特征提取不够完善，降低图像分类率。

发明内容

本发明的目的是提供一种图像分类方法及装置，目的在于解决现有技术中利用小数据集训练图像分类模型时出现过拟合现象导致和图像特征提取不够完善导致图像分类率的问题。

为解决上述技术问题，本发明提供一种图像分类方法，该方法包括：

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。

可选地，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；