[发明专利]一种基于迁移学习的图像分类方法和系统

说明书

本发明公开一种基于迁移学习的图像分类算法方法和系统，包括：步骤1，通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B；步骤2，构造迁移学习网络；步骤3，将步骤1分类的训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；步骤4，将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。本发明克服了深度学习对普通RGB图像训练时需要大样本数据集作为输入的要求，避免了训练过程中过拟合和局部最优解问题，相比传统分类算法，一定程度上提高了分类精度。

技术领域

本发明属于图像分类技术领域，适用于待分类数据所需训练样本较少或只有特征相近样本的分类场景，可用于目标识别、目标检索、数据库管理等领域。

背景技术

近些年，深度学习算法已经广泛应用于传统RGB图像分类以及特征难以提取的医学图像和合成孔径雷达(SAR)图像领域。随着科技水平的提高，新的图像数据信息在被人类近一步了解，导致传统的图像数据集存在失效可能性和新的图像数据集数量有限。研究如何在传统图像数据集和新采集的图像数据间架起桥梁对于实现图像的分类和识别具有重要意义。

当迁移学习算法逐步走进研究者的视野后，这些问题得到了有效的改善。一些学者对2015年之前的迁移学习算法发展史作了一个详细的总结，包括迁移学习的应用场景和分类；考虑到迁移学习算法在机器学习算法上的应用问题，将adaboost算法、多视角学习及多源学习与迁移学习相结合，但该算法并没有在图像处理方面得到应用；近些年，神经网络在图像处理上掀起浪潮，研究者们提出了对DNN(Deep Neural Networks)参数进行迁移的图像分类算法，至此，迁移学习被更多的深度学习研究者重视；在卷积神经网络被广泛应用于图像分类的背景下，为了获取较少训练的时间，对CNN(Convolutional NeuralNetworks)参数引入到迁移学习网络，但是仅限于常规图像；更多学者希望将这种算法引入到一些数据量有限且特征复杂的数据集中，将DNN(Deep convolutional neu-ralnetworks)迁移网络运用到SAR(合成孔径雷达)图像目标识别中，在高纬数据特征分类中取得了显著成果；另一方面迁移网络被引入到高分影像场景分类中，有效地提高了分类精度；针对医学核磁共振图像也是一种高维数据特征，提出了结合DNN迁移网络用于肿瘤分类；近些年提出了将CNN迁移网络引用于乳腺肿瘤诊断系统中，充分扩展了迁移学习的应用领域。

传统的机器学习中，通过HOG(方向梯度直方图)、LBP(局部二值模式)、Gabor(小波)等方式提取图像特征，然后导入分类器SVM(支持向量机)、KNN(k近邻)、随机森林等作分类，分类精度远远不及深度学习网络模型。但是深度学习算法中，数据量过少导入复杂模型后会出现过拟合和局部最优解问题。

发明内容

本发明的目的是在于针对上述分类方法中的不足，提出了一种基于卷积神经网络(CNN)迁移学习的算法，结合了图像HOG特征提取和支持向量机(SVM)预分类方法。较好地解决了了深度学习对训练集数量的要求，避免了过拟合和局部最优解产生，同时在一定程度上提高了分类精度、减少了分类时间。

本发明的技术方案为一种基于卷积神经网络的迁移学习分类方法，包括如下步骤：

步骤1，通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B，包括如下子步骤，

步骤1a，提取训练集A的HOG特征；

步骤1b，将训练集A的HOG特征导入支持向量机训练得到SVM训练模型，同时制作训练集A中各图像对应的标签；

步骤1c，利用步骤1a的原理提取待制作图像集合的HOG特征，然后使用SVM训练模型进行分类得到训练集B；