[发明专利]基于D-MobileNet神经网络的图像分类方法

说明书

本发明公开了一种基于D‑MobileNet(Dilated‑Mobilenet)神经网络图像分类的方法。通过将空洞卷积与MobileNet进行结合，通过提高高分辨率输入层的卷积核感受野，提高输出特征的质量，且不增加网络的参数数量，使得该网络结构提高分类精度。包括以下步骤：1)准备数据集；2)搭建MobileNet网络；3)搭建D‑MobileNet网络；4)超参数设置。将模型训练好后，利用训练好的卷积神经网络模型对验证集图片进行验证，完成分类预测。实验结果表明：本发明能取得比MobileNet网络更好的分类精度。

技术领域

本发明设计涉及图像分类领域。

本发明是基于D-MobileNet(Dilated-Mobilenet)神经网络的图像分类方法，由于深度神经网络其自身是一种内存密集性和高计算密集型的模型，MobileNet这种轻量级的深度卷积网络，通过改变卷积计算方式，可减少网络的参数数量和计算量，但是精度会有些损失，本发明通过加入空洞卷积，来提高MobileNet的分类精度。

背景技术

图像分类是深度学习最早的应用领域，且已在图像分类领域取得了很好的成绩。从AlexNet到VGG，GoogleNet，ResNet等均在视觉领域竞赛上取得很好的成绩。随着神经网络的分类精度越来越高，神经网络的结构也更深、更复杂。随之而来的是数百万甚至数十亿的参数和大量的内存，且其大量的计算量需依赖GPU来实现。故提出了压缩神经网络的方法，即在尽量损失较少分类精度的前提下，减少参数数量和计算量。而MobileNet神经网络是众多压缩方法中的一种，即通过改变网络结构实现参数和计算量的减少。

MobileNet通过使用深度可分离的卷积来构建轻量级的深度神经网络。其基本结构为深度可分离卷积核(depthwise separable filtes)，该卷积核由深度卷积核(depthwise convolution filters)和点卷积核(point convolution filter)组成。该网络通过这种结构，将本来一个参数为a*a*c的标准卷积核变为a*a+c个参数(标准卷积核大小为a*a，深度为c)。本专利通过在现有的MobileNet神经网络结构与空洞卷积结合，提高分类精度。

现有的神经网络图像分类近似的专利有专利[1]，通过改进自适应遗传算法的神经网络图像分类方法，此专利较好的避免了遗传算法的“早熟”收敛，提高了网络的泛化能力和图像的正确分类率。专利[2]基于线性判别分析准则的改进卷积神经网络性能的方法，此专利通过对选定的卷积层进行线性判别分析准则的正则约束，可提高卷积神经网络图像分类的精度。本发明与专利[1]和专利[2]采用不同的神经网络模型，本发明是在MobileNet轻量级的深度卷积神经网络上进行改进，与空洞卷积结合，通过提高卷积核感受野，来提高训练特征质量，进一步提高网络模型分类精度。

[1]基于改进自适应遗传算法的神经网络图像分类方法，申请号/专利：CN201510846339.8，发明设计人：刘芳；马玉磊；黄光伟；周慧娟。

[2]基于线性判别分析准则的改进卷积神经网络性能的方法，申请号/专利号：CN201510566529.4，发明设计人：龚怡宏；石伟伟；王进军；张世周。

发明内容

本发明公开了一种基于D-MobileNet神经网络图像分类方法，具体如下：

一种基于D-MobileNet神经网络图像分类方法，其特征在于，所述方法包括如下步骤：

S1、准备数据集；

S2、MobileNet神经网络的构建；

S3、D-MobileNet神经网络的构建；

S4、超参数设置；