[发明专利]一种基于深度卷积神经网络的鱼类图像分类方法

权利要求书

1.一种基于深度卷积神经网络的鱼类图像分类方法，其特征在于，包括如下步骤：

S1：采集水下鱼类图像，构建鱼类图像数据集；

选取预训练集ImageNet以及鱼类数据集Fish4Knowledge；

S2：构建基于B-CNNS的卷积神经网络模型，按样本数量大小依次将所述预训练集ImageNet、鱼类数据集Fish4Knowledge以及鱼类图像数据集这三个数据集输入到所述网络模型中，通过训练和迭代反馈，得到所述鱼类图像数据集中鱼类图像的类别标签，其中，步骤S2具体包括：

S21：将所述预训练集ImageNet输入到所述网络模型中训练直至收敛；

S22：将所述鱼类数据集Fish4Knowledge输入到步骤S21训练后的网络模型中继续训练直至收敛；

S23：将所述鱼类图像数据集输入到步骤S22训练后的网络模型中对网络参数进行微调；

其中，所述网络模型包括优化后的数据增强单元以及网络结构单元，即将步骤S1中所述三个数据集输入到所述优化后的数据增强单元得到数据增强后的鱼类图像测试集，将所述鱼类图像测试集输入到所述网络结构单元，得到所述鱼类图像数据集中图像的类别标签；

所述网络结构单元包括两路相同的VGG网络，所述将所述鱼类图像测试集输入到所述网络结构单元，得到所述鱼类图像数据集中图像的类别标签，具体包括：

将所述鱼类图像测试集输入到两路VGG网络中进行特征提取，之后将所述两路VGG网络提取到的特征进行双线性池化得到双线性向量，最后输入softmax函数得到所述鱼类图像数据集中图像的类别标签；

所述VGG网络包括五组卷积层，其中，在前四组卷积层的后面插入优化后的SE块，所述优化后的SE块具体操作为：

将输入图像x经过卷积层后得到通道数为C₁的特征图；

将每个通道分割成四个区域，其中，第k个通道由四个实数z_k1、z_k2、z_k3、z_k4来表征；

通过激发操作学习得到每个通道的权重；

将所述特征图的每个通道的每个区域与学习到的权重相乘；

调整维度，使得输出图像的维度等于输入图像的维度；

其中，所述四个实数分别为：

式中，W×H为输入SE block的特征谱中第k个通道的特征维度，i为从(1，H)的变量，j为从(1，W)的变量，u_k(i,j)为输入到SE block的特征谱；

所述通过激发操作学习得到每个通道的权重，具体为：s＝σ(L₂δ(L₁,r(z))，即首先进行reshape操作r(z)，将表征每个通道维度由C₁*4转为4C₁*1，然后依此经过全连接层L₁、ReLU激活函数δ、全连接层L₂以及sigmoid函数σ操作，经过训练和迭代后，学习得到每个通道的权重。

2.根据权利要求1所述的基于深度卷积神经网络的鱼类图像分类方法，其特征在于，所述将步骤S1中所述三个数据集输入到所述优化后的数据增强单元得到数据增强后的鱼类图像测试集，具体包括：首先将所述三个数据集中的每一幅图像通过SRGAN网络进行超分辨率重建，接着将所述重建后的图像进行数据增强。

3.根据权利要求2所述的基于深度卷积神经网络的鱼类图像分类方法，其特征在于，所述数据增强包括翻折和\或旋转。