[发明专利]基于迁移学习的小样本分类模型构造方法及虹膜分类应用

说明书

本发明公开了一种基于迁移学习的小样本分类模型构造方法及利用该方法所构造的小样本分类模型在虹膜图像分类上的应用，基于VGG16模型迁移学习，构造ICP‑VGG模型；根据虹膜图像任务配置自定义网络中全连接层的的激活函数，Dropout层的dropout比率；微调网络，设置模型训练相关参数；获取小样本虹膜数据集，对该数据集进行数据预处理和数据增强；训练和验证模型，输出识别结果图像；本发明所提出的方法能将深度学习模型更好地应用在小样本虹膜领域中，降低过拟合，提高识别准确率。

技术领域

本发明属于计算机图像技术领域，尤其是一种基于迁移学习的小样本分类模型构造方法及虹膜图像分类应用。

背景技术

随着人类跨入大数据时代以及计算设备的快速发展，深度学习进入了一个飞速发展的时期。近年来，凭借深度学习模型强大的表达能力和大规模的训练数据集，深度学习在计算机视觉、语音识别等领域获得了显著的成果，特别是在图像分类领域，呈现了一种爆发式的增长，在大规模数据集上的图像分类准确率不断提高。大规模数据集是深度学习在各个领域取得显著成效的基石，但是在实际应用中，由于大规模数据集的获取需要花费昂贵的人力和物力或者由于某些领域本身的局限性。因此相比于大规模数据集，小样本数据集在实际应用中更加常见。例如在虹膜领域，由于其生理结构的特殊性，虹膜图像采集困难度较大，因此带标注的虹膜图像数据集也相对较小。

在小样本虹膜数据集中，由于缺乏训练数据，应用传统的深度学习模型，很难得到理想的结果，往往会出现过拟合现象，即该模型在训练数据集上会表现得非常好，往往误差会趋向零，但是在测试数据集上表现非常差，准确率低。这是因为当深度模型十分复杂时，容易将小样本虹膜数据集的训练数据集的噪声当作整体样本的特征，学习到的模型在测试数据集上表现糟糕。为了能够将深度学习模型更好地应用在小样本虹膜领域中，降低过拟合，减小虹膜图像分类检测结果的误差，提高识别准确率，本发明提出了一种基于卷积神经网络迁移学习的虹膜图像识别方法。

发明内容

针对现有技术中的不足，本发明提出了一种基于迁移学习的小样本分类模型构造方法及虹膜图像分类应用，可以将深度学习模型更好地应用在小样本虹膜领域中，降低过拟合，提高识别准确率。

本发明所采用的技术方案如下：

一种基于迁移学习的小样本分类模型构造方法，包括以下步骤：

步骤1，去除预训练好的P-VGG16模型中三个全连接层，保留5个卷积块；并在卷积块之后添加自定义网络，构造ICP-VGG模型；所述自定义网络依次为为Flatten层、第一全连接层、Dropout层和第二全连接层；

步骤2，配置自定义网络中全连接层的神经元个数、全连接层的激活函数以及Dropout层的dropout比率；所述第一全连接层和第二全连接层中的激活函数从Sigmoid、Tanh、ReLU、PReLu、ELU或SoftMax中选择；第一全连接层的神经元个数为512或者1024，第二全连接层的神经元个数和待测样本集中类别数一致；设定Dropout层中的dropout比率；

步骤3，训练ICP-VGG模型网络；根据要解决的问题的类型，确定IC-VGG模型中的损失函数；设置模型训练相关参数；确定ICP-VGG模型的优化器；进而获得适用于图像识别的卷积神经网络模型。

进一步，所述优化器选择RMSProp，且设置RMSProp的学习率其中，为初始学习率，Epoch为模型在数据集上运行的次数，rate为衰减值；

进一步，所述训练ICP-VGG模型的方法为：保持模型前4个卷积块中网络的权重不变，只训练该模型最后一个卷积块和自定义网络；

进一步，所述损失函数选择为：对于二分类问题，使用二元交叉熵损失函数；对于多分类问题，使用分类交叉熵损失函数；对于回归问题，使用均方误差损失函数；对于序列学习问题，使用联结主义时序分类函数；