[发明专利]基于卷积神经网络的图像分类方法、系统、装置及介质

说明书

本发明公开了一种基于卷积神经网络的图像分类方法、系统、装置及介质，该方法包括获取待分类图像；利用训练好的图像分类卷积神经网络模型对所述待分类图像进行分类；获取所述训练好的图像分类卷积神经网络模型输出的分类结果。本发明通过利用训练好的图像分类卷积神经网络模型对待分类图像进行分类，能够以较少的参数量达到较好的图像分类性能；图像分类卷积神经网络模型为轻量级网络模型，能够克服大量参数量和内存不足的问题。本发明可广泛应用于图像分类技术领域。

技术领域

本发明涉及图像分类技术领域，尤其是一种基于卷积神经网络的图像分类方法、系统、装置及介质。

背景技术

近年来，随着深度学习的不断发展，深度学习模型在图像分类的任务上的应用，不断提高着图像分类的准确率。从LeNet-5的提出代表着深度学习的开始，到AlexNet取代传统图像分类方法在大规模的图像数据的分类处理上取得成功，使得卷积神经网络模型开始成为分类任务中的主流方法，往后不断涌现的，类似如，GoogleNet引入Inception模块，VGG小卷积核代替大卷积核，ResNet提出residual结构等，进一步提高了模型在分类任务上的准确率。然而，庞大的模型会带来大量参数，使其面临着内存不足的问题，理论上，含有更多隐含层和更复杂的网络结构的深层网络可以比浅层网络具有更强大的特征表达能力和学习能力，使得其可以提供更复杂的计算和统计效率，然而这样的模型势必会带来巨额参数量的问题，使得其在移动或者嵌入式设备上难以被应用；尽管现如今已经有类似如MobileNet等轻量型网络的出现，但这些网络都作为一个通用模型的存在，所使用的尺寸都非常大，依旧会带来更多参数量的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于卷积神经网络的图像分类方法、系统、装置及介质。

本发明所采取的技术方案是：

一方面，本发明实施例包括一种基于卷积神经网络的图像分类方法，包括：

获取待分类图像；

利用训练好的图像分类卷积神经网络模型对所述待分类图像进行分类；

获取所述训练好的图像分类卷积神经网络模型输出的分类结果。

进一步地，所述方法还包括：

构建图像分类卷积神经网络模型，所述图像分类卷积神经网络模型包括四个卷积块、三个池化块、一个Inception模块、三个SE模块、一个全局平均池化层、一个全连接层和一个Softmax层；

对所述图像分类卷积神经网络模型进行训练；

对训练后的所述图像分类卷积神经网络模型进行测试，获取训练好的图像分类卷积神经网络模型。

进一步地，所述四个卷积块分别为第一卷积块、第二卷积块、第三卷积块和第四卷积块，所述三个池化块分别为第一池化块、第二池化块和第三池化块，所述三个SE模块分别为第一SE模块、第二SE模块和第三SE模块；

所述第一卷积块、第二卷积块、第一池化块、第一SE模块、第三卷积块、第四卷积块、第二池化块、第二SE模块、Inception模块、第三池化块、第三SE模块、全局平均池化层，全连接层和Softmax层依次连接。

进一步地，所述对所述图像分类卷积神经网络模型进行训练这一步骤，包括：

从Cifar10数据集中获取原始训练数据集，所述原始训练数据集为32*32的彩色图像；

对所述32*32的彩色图像进行扩充得到34*34的彩色图像后随机裁剪得到第一图像，所述第一图像的大小为32*32，

将所述第一图像水平180°随机翻转得到训练样本集；

计算原始训练数据集的均值和标准差，得到计算结果；