[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

说明书

本发明涉及一种基于改进的DenseNet的多通道特征重标记图像分类方法，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。本发明有效地提高了图像识别分类检测精度。

技术领域

本发明涉及图像识别分类技术领域，涉及一种基于改进的DenseNet的多通道特征重标记图像分类方法。

背景技术

近几年，卷积神经网络(CNN)在计算机视觉任务上做出了一系列贡献，在图像识别、目标检测、医疗图像、语义分割等领域都取得了很大进展。关于卷积神经网络的研究也不断在进行中，一大批高效良好的模型在各种计算机视觉任务崭露头角，取得了巨大的性能提升，如AlexNet,VGGNet,GoogLeNet,ResNet和DenseNet。

目前，卷积神经网络由于GPU等硬件设备的提升正朝着深度越深和宽度越宽的方向发展。在CNN网络深度方向的研究中，VGG19网络证明了网络的深度是提高体系结构性能的关键部分。而Highway和ResNet结构通过采用了数据旁路和跳跃连接的思想将网络深度实现到了100层以上。此后，DenseNet网络提出了一种全新的密集连接模式，即所有层之间的信息流以前馈方式将每一层连接到另一层，使得网络中每一层都接受它前面所有层的特征作为输入。当然，也有部分科研工作者在探索网络通道宽度对CNN网络性能的影响，GoogleNet通过在单层卷积层上使用多尺度卷积核来增强特征提取能力，实现网络通道的拓宽。Wide residual network遵循深度不是唯一重要的参数原则，通过缩短深度和增加了各层的功能特，实现了更宽的神经网络。

但是研究表明，网络结构越深和越宽，性能并不能得到更好的优化，反而越容易面临收敛性差、过拟合严重、梯度消失的问题。与此同时，当网络结构达到一定深度和宽度后，其性能也会趋于平均精度。这些问题都对进一步提升图像识别分类造成了阻碍，许多研究人员开始对这些问题进行新的结构研究。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进的DenseNet的多通道特征重标记图像分类方法，有效地提高了图像识别分类检测精度。

为实现上述目的，本发明采用如下技术方案：

一种基于改进的DenseNet的多通道特征重标记图像分类方法，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。

进一步的，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。

进一步的，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；