[发明专利]基于深度学习与迁移学习的图像识别方法

权利要求书

1.一种基于深度学习与迁移学习的图像识别方法，其特征在于：包括如下步骤：

一、准备阶段：读取预训练模型，并读取图片目录，划分训练集、验证集以及测试集；

二、训练阶段：构造全连接神经网络分类器，并将图片集作为所述预训练模型的输入，使用与所述预训练模型的输出更新所述全连接神经网络分类器；

三、存储阶段：存储模型结果。

2.根据权利要求1所述的基于深度学习与迁移学习的图像识别方法，其特征在于：在步骤一中，准备阶段具体包括如下步骤：

检查与训练模型是否存在；

如果否，则下载所述预训练模型；如果是，则读取读取所述预训练模型，并读取图片目录，划分训练集、验证集以及测试集。

3.根据权利要求1所述的基于深度学习与迁移学习的图像识别方法，其特征在于：在步骤二中，所述训练阶段具体包括如下步骤：

在读取所述预训练模型后，构造所述全连接神经网络分类器；

开始新的训练迭代；

将图片集作为所述预训练模型的输入，使用与所述预训练模型的输出更新所述全连接神经网络分类器；

检查是否达到规定迭代次数，如果否，则跳转到所述开始新的训练迭代步骤；如果是，则执行步骤三。

4.根据权利要求3所述的基于深度学习与迁移学习的图像识别方法，其特征在于：在训练阶段的训练迭代中，具体包括如下步骤：

根据标签随机读取若干图片；

随机对图像进行翻转和平移；

使用所述预训练模型提取图像的特征值；

将所述特征值作为所述全连接神经网络分类器的输入，并更新神经网络参数；

判断是否达到规定的采样次数，如果是，则结束；如果否，则返回根据标签随机读取若干图片步骤。

5.根据权利要求1所述的基于深度学习与迁移学习的图像识别方法，其特征在于：在步骤三的存储阶段之后还包括预测阶段，所述预测阶段包括如下步骤：

读取所述预训练模型的结果模型；

接收新图片作为所述结果模型的输入；

根据所述结果模型的输出，得到阳性概率；

判断是否仍有图片需要预测，如果是，则跳转到接收新图片作为所述结果模型的输入的步骤；如果否，则结束。