[发明专利]基于改进的DenseNet的多通道特征重标记图像分类方法

权利要求书

1.一种基于改进的DenseNet的多通道特征重标记图像分类方法，其特征在于，包括以下步骤：

步骤S1:采集训练数据集，并进行预处理，得到预处理后的训练数据集；

步骤S2：基于多通道特征重标记密集型连接网络，搭建分类模型；

步骤S3:根据训练数据集训练分类模型，并引入训练效果评价指标Acc和F1-Score，对模型训练过程进行实时评价，实时保存训练模型和数据，并根据最终迭代结果画图，得到训练后的分类模型；

步骤S4：将待分类数据集输入训练后的分类模型，得到分类结果。

2.根据权利要求1所述的基于改进的DenseNet的多通道特征重标记图像分类方法，其特征在于，所述训练数据集预处理，具体为：利用图片生成器对数据样本进行拉伸旋转变换和数据扩充，得到比原来数据集更大的样本集训练。

3.根据权利要求1所述的基于改进的DenseNet的多通道特征重标记图像分类方法，其特征在于，所述步骤S2具体为：

步骤S21：基于DenseNet-BC网络1*1conv+3*3conv的升降维Bottleneck结构进行重构，形成适合低深度、窄宽度网络的同维3*3conv+3*3conv的Reconstructed Bottleneck结构；

步骤S22：在Reconstructed Bottleneck结构构成密集型接块DenseBlock的同时使用多通道并联DenseBlock，形成多路径的密集连接块结构；

步骤S23：在多路径密集连接块后引入具有特征重标定能力的SE结构，标记重要特征。

4.根据权利要求3所述的基于改进的DenseNet的多通道特征重标记图像分类方法，其特征在于，所述步骤S21具体为：对DenseNet中Bottleneck微元结构进行了改进，将原本结构中的1*1conv替换成“3*3conv”，通过使用两个3*3大小的卷积层进行堆叠，代替一个5*5的大尺寸卷积层；并根据较浅深度和较窄宽度的结构将原微元结构中的4k-k升降维的特征提取方式直接改成4k-4k的同维结构，进一步拓宽网络通道。

5.根据权利要求1所述的基于改进的DenseNet的多通道特征重标记图像分类方法，其特征在于：所述步骤S22具体为：通过对使用Reconstructed Bottleneck结构改进后的DenseBlocks增加深度相似的平行密集块来增加网络的宽度，即为多通道并联；

由于多路径的数量n和网络的深度d并不是呈现的是单一的反比关系，在不同的训练数据集中二者的值需要经过小范围的设置来确定合适多路径值；

对于单个的DenseBlcok而言：

设x₀是input，H₁的输入是x₀输出是x₁，H₂的输入是x₀和x₁，即L层DenseNet网络有直接连接，连接前面所有层作为输入，表达式如下：

x_l＝H_l([x₀,x₁,…,x_l-1])

则，多路径的DenseBlcok表达为：

x_j＝x_l1+x_l2+…+x_ln＝H_l1([x₀,x₁,…,x_l-1])+H_l2([x₀,x₁,…,x_l-1])+…+H_ln([x₀,x₁,…,x_l-1])，

其中x_j是多路并联通道所输出的特征，H_ln表达的是第n个单个DenseBlcok所输出的特征。