[发明专利]基于深度树状训练策略的分段式选择集成图像分类方法

摘要

本发明公开了一种基于深度树状训练策略的分段式选择集成图像分类方法，该方法采用深度树状训练策略，在深度卷积神经网络每一个中间层都添加一个分支分类器，通过对分支分类器进行集成和梯度补偿，训练多个具有差异性且能提取中间层特征的分支分类器，产生候选基分类器集；利用基于正确率和差异性筛选的分段式选择集成方法对候选基分类器进行筛选，得到选定的基分类器集，并对其进行加权集成生成最终分类模型。本发明通过梯度补偿技术、特征融合技术以及深度学习与集成学习相结合的方式进行图像分类，提高了深度神经网络的训练效率，提升了分类器的分类性能，降低了集成学习的训练成本，最大程度地增强了最终分类器的泛化性和准确性。

主权项

1.基于深度树状训练策略的分段式选择集成图像分类方法，其特征在于，包括以下步骤：S1：采用深度树状训练策略，在深度卷积神经网络每一个中间层都添加一个分支分类器，每一个分支分类器仅含一个全连接层，并且在训练或测试过程中不丢弃这样的分支分类器；运用所述分支分类器对位于浅层的权重进行梯度补偿；通过对含有分支分类器的深度卷积神经网络进行训练，得到多个具有差异性且能在中间层特征上进行分类的分支分类器，即得到具有若干分支分类器的候选基分类器集；S2：采用基于正确率和差异性筛选的分段式选择集成方法最终集成成员并生成最终分类模型。