[发明专利]一种基于深度学习的压缩图像识别方法

权利要求书

1.一种特征增强模块的构建方法，其特征在于，包括如下步骤：

步骤1，选择需要增强的预训练分类模型以及对应的特征位置；

步骤2，构造特征增强网络(FE-Net)；

步骤3，输入压缩图像，根据自适应的特征偏离估计网络(FDE-Net)，输出特征偏离图；

步骤4，将特征偏离图输入到特征增强网络，输出增强后的特征，特征增强模块构建完成。

2.根据权利要求1所述的特征增强模块的构建方法，其特征在于，所述预训练分类模型为VGG16网络和SqueezeNet网络中任意一种；

其中，当使用VGG16网络时，选择该网络的Conv2-2层作为特征增强的位置；当使用SqueezeNet网络时，选择该网络的第一层作为特征增强的位置。

3.根据权利要求1所述的特征增强模块的构建方法，其特征在于，所述特征增强网络可以采用融合多级特征的网络，共计7层；

其中，前6层采用3*3卷积，最后一层采用1*1卷积。

4.根据权利要求1所述的特征增强模块的构建方法，其特征在于，所述步骤3具体为：首先，将压缩图像进行DCT变换；然后，在转换后的DCT域中通过卷积神经网络对块内的DCT系数进行建模；最后，学习DCT系数分布与特征偏离程度之间的映射关系，得到特征偏离图。

5.根据权利要求4所述的特征增强模块的构建方法，其特征在于，所述步骤4具体为：使用1*1卷积对DCT系数进行建模，分三级得到三张特征偏离图，将其分别应用于特征增强网络的前中后位置，进行多级增强。

6.根据权利要求1-5中任意一项所述的特征增强模块的构建方法，其特征在于，所述特征增强模块的训练具体为：将压缩训练图像输入所述构建完成的特征增强模块中，输出压缩训练图像增强后的特征，用原始训练图像的特征对增强后的特征进行监督学习；

其中，所述压缩训练图像和原始训练图像为事先采集用于训练的样本集合。

7.根据权利要求6所述的特征增强模块的构建方法，其特征在于，所述监督学习中的损失函数采用均方误差损失函数，训练采用Adam优化器，batch-size为32，初始学习率为0.0001。

8.根据权利要求6所述的特征增强模块的构建方法，其特征在于，所述压缩训练图像通过使用不同压缩压缩系数对原始训练图像进行压缩，得到包含高中低不同压缩品质的压缩训练图像；其中，选择QF为65，50，25，18，15，10，7共计6档压缩品质。

9.一种基于深度学习的压缩图像识别方法，其特征在于：将权利要求6-8中任意一项所述的训练后的特征增强模块嵌入到预训练的分类模型中，得到压缩图像识别的深度神经网络模型；然后，将需要识别的压缩图像输入到深度神经网络模型中进行分类；最后，输出最终的分类结果。