[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

说明书

本发明提供一种基于深度卷积神经网络的类别不平衡图像分类方法，选取原始数据集中的小类别的样本图像，得到原始小类别样本图像训练集；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；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；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；通过训练后的最优图像分类网络对输入图像进行类别分类。本发明在只使用单一不平衡数据集的情况下就能实现对于小类别样本较好的分类效果，大大提高了数据集类别不平衡情况下图像分类的准确率。

技术领域

本发明涉及计算机视觉及机器学习技术领域，特别涉及一种基于深度卷积神经网络的类别不平衡图像分类方法。

背景技术

类别不平衡是指在很多机器学习任务中，训练集中可能会存在某个或某些类别下的样本数远大于另一些类别下的样本数目。数据类别不平衡问题的研究具有非常重要的意义，因为现实生活中大多数的数据都存在类别不平衡的问题，比如海洋浮游生物数据集等。如图1所示：可以看出各类别的数量存在很大差距，样本数量多的类别称为大类，样本数量少的类别成为小类。目前针对图像分类的各种深度卷积神经网络算法都没有很好的解决类别不平衡的图像分类的问题，导致图像分类更多的倾向于学习大类样本的特征，而忽略了小类样本，然而在生活研究中，小类别的样本往往蕴含更有价值的信息。

发明内容

本发明提供一种基于深度卷积神经网络的类别不平衡图像分类方法，以解决传统的深度卷积神经网络在针对不平衡数据集进行图像分类时对于小类别样本分类效果差的问题，本发明在只使用单一不平衡数据集的情况下就能实现对于小类别样本较好的分类效果，大大提高了数据集类别不平衡情况下图像分类的准确率。

一种基于深度卷积神经网络的类别不平衡图像分类方法，一种基于深度卷积神经网络的类别不平衡图像分类方法，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。

进一步地，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。

进一步地，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，得到权重参数进一步地，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。

进一步地，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：