[发明专利]一种基于深度卷积神经网络的模式识别方法

权利要求书

1.一种基于深度卷积神经网络的模式识别方法，其特征在于：该方法包括以下步骤：步骤1、构建一个169层的DenseNet模型，该DenseNet模型的主干结构是由4个密集连接的稠密块以及4个过渡层交替拼接而成，稠密块与过渡层之间会有若干个卷积核；每个稠密块内，在每次卷积操作开始前都要将之前所有的结果在通道方向上拼接，实现密集连接的特征图传递，一个具有L层的网络，那么highway稠密连接数目为L*(L+1)/2；模型的最后一层为一个Sigmoid输出的全连接层，输出分类结果；

步骤2、对数据集加入噪声，对数据集中每张图片随机添加90、180、270三个角度的旋转，起到扩充数据集的目的；

步骤3、对图像数据集进行相关预处理；

步骤3具体包括以下步骤：

步骤3.1、将每张图像进行灰度处理，凸显目标区域位置及轮廓纹理，并将图像压缩到256*256的尺寸；

步骤3.2、对图像数据集中每张图像做Five Crop到224，有50％几率对图像随机进行水平、竖直翻转；

步骤3.3、使用ImageNet数据集的平均值与方差对数据集进行标准化处理，即对于图像中第i个点的原像素值x_i求标准差

其中μ和σ²分别代表ImageNet数据集的均值与方差；

步骤3.4、将图像数据集随机生成五份数据集，每份图像数据集包含不同的训练集与验证集；训练集的数据占所有数据的80％，验证集的数据占所有数据的20％；

步骤4、使用预处理好的数据集对DenseNet模型进行训练；

步骤4具体包括以下步骤：

步骤4.1、DenseNet模型的训练方法采用标准的Adam优化算法对DenseNet模型进行训练优化，训练时的batch size为16；

步骤4.2、在DenseNet模型的每个稠密块之间添加注意力模块；训练50个epoch，让DenseNet模型在训练过程中更关注目标区域；每个epoch之后DenseNet模型都会对验证集进行预测，记录DenseNet模型预测的准确率并输出，前20个epoch学习率设为0.001，第20次开始降为0.0001，第40次降为0.00001；通过五折交叉验证进行训练，生成最终的DenseNet模型作为最后结果；

步骤4.3、保存生成的DenseNet模型，使用测试集的数据对模型分类的准确率做出评价。

2.根据权利要求1所述的一种基于深度卷积神经网络的模式识别方法，其特征在于：DenseNet模型的整体训练平台是基于服务器，在Ubuntu系统上使用Pytorch深度学习框架实现；训练的GPU为两块GTX1080，并使用CUDA作为显卡的运算驱动。