[发明专利]基于深度卷积神经网络的类别不平衡的图像分类方法

权利要求书

1.一种基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，包括如下步骤：

S1：选取原始数据集中的小类别的样本图像，通过数据增强方法增加所述小类别的样本图像的数量，得到原始小类别样本图像训练集；

S2：将所述原始小类别样本图像训练集输入到生成对抗网络中生成小类别的生成图像样本，将所述生成图像样本加入到所述原始小类别样本图像训练集中，得到生成的小类别样本图像训练集；

S3：利用所述原始小类别样本图像训练集对图像分类网络进行训练；

S4：利用所述生成的小类别样本图像训练集对步骤S3训练后的图像分类网络进行训练；

S5：通过步骤S4训练后的最优图像分类网络对输入图像进行类别分类。

2.根据权利要求1所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，所述图像分类网络采用SE-PyramidNet网络结构，所述SE-PyramidNet网络结构是将Squeeze-and-Excitation block嵌入到所述PyramidNet深度金字塔残差网络结构中得到的。

3.根据权利要求2所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，SE-PyramidNet网络结构的训练优化方法为：

A1：选取原始小类别样本图像训练集中的样本图像，所述样本图像进行预处理后，经过所述SE-PyramidNet网络结构中的卷积层，对所述样本图像进行卷积操作，用以提取所述样本图像的底层到高层的特征，得到特征谱；

A2：对所述特征谱进行Squeeze操作，即进行全局平均池化，将维度为H*W*C的输入特征谱转换成维度为1*1*C的输出特征谱；

A3：对经过Squeeze操作后的特征谱进行Excitation操作，即对C个特征谱间的关系进行建模，得到权重参数。

4.根据权利要求1所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，步骤S1中的数据增强方法包括尺度变换、图像裁剪、水平翻转、垂直翻转中的一种或者任意几种的组合。

5.根据权利要求1所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，步骤S2中所述利用生成对抗网络生成小类别的生成图像样本，具体方法为：

B1：通过样本数阈值从所述原始数据集中选择出小类别样本；

B2：利用选择出的小类别样本对AC-GAN生成对抗网络进行预训练；

B3：分别用所述小类别样本中的每一个小类别样本再对步骤B2中预训练后的AC-GAN生成对抗网络进行训练，逐一得到所述每一个小类别样本的生成图像样本。

6.根据权利要求3所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，步骤S5中所述通过步骤S4训练后的最优图像分类网络对输入图像进行类别分类，具体为：

设计不同Squeeze-and-Excitation block组合的SE-PyramidNet网络结构，得到最优图像分类网络结构；

在所述最优图像分类网络结构的输出端加入Softmax层，通过softmax函数得到输入所述最优图像分类网络中的图像属于某个类别的概率，从而进行图像类别分类。

7.根据权利要求3所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，步骤S2的Squeeze操作的计算公式为：

式中，F_sq(*)为Squeeze函数，为特征谱，为网络结构中第k个残差单元里输入Squeeze-and-Excitation block的特征谱中第c_k个通道的特征维度，i,j为变量索引。

8.根据权利要求7所述的基于深度卷积神经网络的类别不平衡图像分类方法，其特征在于，步骤S3的Excitation操作的计算公式为：

式中，F_ex(*)为Excitation函数，为先经过Squeeze操作后得到的特征谱，σ为softmax函数，δ为ReLU函数，为维度增加操作携带的参数，为维度减少操作携带的参数。