[发明专利]一种基于深度学习的图像分类方法

说明书

本发明公开了一种基于深度学习的图像分类方法。本发明具体包括如下步骤：S1、将图片分为n组，将n组图片集分别作为样本输入到AlexNet模型中进行训练，得到图像分类模型Ⅰ；S2、将待测图像样本输入到已经完成训练的图像分类模型Ⅰ中进行图像分类；S3、将不同待测图像对应的结果集归入不同的文档中，将精度较高的图像结果集重新组成图像样本输入到AlexNet模型中进行训练，得到图像分类模型Ⅱ；S4、将所对应的待测图像样本输入到其对应的图像分类模型Ⅱ中进行图像分类。本发明能够进一步提高图像分类的准确率，为图像分类工作提供了新的解决方案。

技术领域

本发明属于计算机视觉领域，涉及一种基于深度学习的图像分类方法。

背景技术

从1965年开始，人们开始研究图像处理和识别。随着科技进步，深度学习成为了图像分类的主流方法。AlexNet模型就是一种基于深度学习的图像分类模型。

AlexNet是2012年ImageNet竞赛冠军获得者Alex Krizhevsky设计的，它主要包括5个卷积层，3个全连接层。

AlexNet在输入时对224*224*3的图像进行预处理，将其处理为227*227*3的图像。

第一个卷积层中，AlexNet采用96个11*11*3的卷积核，在步长为4的前提下对227*227*3的图像进行了滤波。最初的输入神经元个数为224*224*3＝150528个，由于其步长为4，卷积核大小为11*11*3，故而本层的特征图的大小为：

(227-11)/4+1＝55

也就是96个55*55大小的特征图，其神经元个数为55*55*96＝290400。得到卷积数据后，对其进行一次Relu，并对其进行池化(map大小减半)，之后将其作为第二层的输入。

第二个卷积层中，AlexNet采用256个5*5的过滤器对96*27*27个特征图进行进一步特征提取，但是此时过滤器是对96个特征图中的某几个特征图中相应的区域乘以相应的权重，之后再加上偏置之后所得到的区域进行卷积，经过这样的处理，会得到256个新的特征图，特征图的大小为：

(27+2*2-5)/1+1＝27

也就是256个27*27大小的特征图，其神经元个数为

256*27*27＝186624。之后对其进行Relu操作，在对其进行降采样处理(特征图的大小减半)，得到256个13*13大小的特征图。

第三个卷积层中，AlexNet采用384个3*3大小的过滤器对256*13*13个特征图进一步提取特征，经过处理，会得到384个新的特征图，特征图的大小为：

(13+2*1-3)/1+1＝13

即384个13*13的新特征图，其神经元个数为384*13*13＝64896。之后对其进行Relu操作，在第三个卷积层中，不对其使用降采样处理。

第四个卷积层中，AlexNet采用384个3*3大小的过滤器对384*13*13个特征图进一步提取特征，经过处理，会得到384个新的特征图，特征图的大小为：

(13+2*1-3)/1+1＝13

即384个13*13的新特征图，其神经元个数为384*13*13＝64896。之后对其进行Relu操作，在第四个卷积层中，同样不对其进行降采样处理。

第五个卷积层中，AlexNet采用256个3*3大小的过滤器对384*13*13个特征图进一步提取特征，经过处理，会得到256个新的特征图，特征图的大小为：

(13+2*1-3)/1+1＝13