[发明专利]基于轻量化网络模型的图像识别方法、装置及设备

权利要求书

1.一种基于轻量化网络模型的图像识别方法，其特征在于，包括以下步骤：

S1，获取待识别的目标图像；

S2，将目标图像输入至已训练的轻量化网络模型中；

S3，利用已训练的轻量化网络模型对目标图像进行分类；

其中，获得所述轻量化网络模型的过程包括以下步骤：

S21，根据卷积神经网络的构造方式，构造无全连接层的变体卷积神经网络，所述变体卷积神经网络包括一个及其以上的网络层，所述网络层包括一个卷积层和一个池化层；

S22，已标注的待分类图像经过变体卷积神经网络得到图像的特征图像，该特征输入softmax分类器，通过softmax分类器对图像分类，依据分类结果和已标注图像的真实值通过损失函数对卷积层的权重进行更新；

详细过程如下所示：

经过多层卷积、池化操作输出的训练样本的特征图像数据表示为其中，C′为经过多层卷积、池化操作后输出的特征图像集，n为图像个数，向量U′_i为第i个图像经过变体CNN提取的特征图像，且i∈[1，n]；此时图像待分成K类，将经过多层卷积、池化操作的输出的特征图像全连接到K个节点，表示为：

Y_y＝W_YC′+b_Y，y∈[1，K]；

其中Y_y为第y个节点的输出，W_Y为节点运算的权重，b_Y为节点运算的偏置；

全连接到K个节点后，用softmax分类器对运算结果分类，softmax算法为：

其中，S_y表示图像分为第y个分类的概率，a_y为第y个分类的值，a_k为第k个分类的值，k∈[1，K]；a_y即为全连接得到的第y个节点的输出Y_y；

采用交叉熵L作为损失函数，交叉熵L表示为：

基于交叉熵损失函数，通过Adam算法对变体卷积神经网络进行权重更新；

S23，采用权重更新后的变体卷积神经网络再次提取图像的特征，并对特征进行标准化处理；

S24，将标准化后的特征按照宽度网络的构造方法生成特征节点和增强节点，确定最终的特征节点、增强节点个数，构造轻量化网络模型；

详细过程如下所示：

宽度网络特征节点表示为：

其中，Z_r表示宽度网络的特征节点；φ为任意函数；C″为标准化后的特征图像；为具有适当维度的特征节点的随机权重系数；为特征节点的偏置，e为宽度网络的特征节点的个数；

定义Z^E＝[Z₁，Z₂，...，Z_e]；

则增强节点表示为：

定义H^F＝[H₁，H₂，...，H_f]；

其中，H_j表示宽度网络的特征节点；ζ为激活函数；为具有适当维度的增强节点的随机权重系数；为增强节点的偏置，f为宽度网络的特征节点的个数；

一种基于轻量化网络结构的整体表示为：

其中，W^f表示增强节点个数为f时的权重系数。

2.根据权利要求1所述的基于轻量化网络模型的图像识别方法，其特征在于，所述步骤S21中卷积层卷积操作过程如下所示：

假设为原始图像数据集，X_i为第i个图像，i＝1，2，…n；l表示网络层数，且第l层卷积过滤器的大小为k_l*k_l，深度为d_l，卷积过滤器的移动步长为s_l；

第i个图像X_i进行的一系列卷积操作表示为：

其中，l和l-1表示卷积层层数，l为当前层，l-1为前一层；表示l层卷积层输出的图像，表示第i个图像于l-1层网络层中经过池化层处理后输出的图像，且为原始图像X_i；W为卷积层的权重，b为卷积层的偏置，且W与b随机产生，即W^(l)为第l层卷积层的权重矩阵，b^(l)为第l层卷积层的偏置矩阵；为卷积操作。