[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

说明书

本发明公开了一种基于轻量化网络模型的图像识别方法、装置及设备。所述图像识别方法，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，构造无全连接层的变体卷积神经网络；S22，通过softmax分类器对图像分类，对卷积层的权重进行更新；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。

技术领域

本发明涉及模式识别技术领域，具体涉及一种基于轻量化网络模型的图像识别方法、装置、设备及可读存储介质。

背景技术

深度神经网络应用于图像识别领域时，由于深度神经网络涉及大量的超参数和复杂的结构，这种复杂性使得在理论上分析深度结构非常困难，大多数工作涉及调整参数或堆叠更多层以获得更好的精度，因此深度神经网络虽然精度高但是计算时间及训练时间长。文章“Broad Learning System：An Effective and Efficient Incremental LearningSystem Without the Need for Deep Architecture”中提出的宽度网络(BLS)是基于RVFLNN的想法而设计的，相对于“深度”结构，“宽度”结构由于没有层与层之间的耦合而非常简洁，BLS的训练过程减少了对计算机和存储资源的依赖。因为没有多层连接，BLS不需要利用梯度下降来更新权值，BLS通过岭回归求矩阵伪逆找到所需的连接权重，在网络精度达不到要求时，通过增加网络的“宽度”来提升精度，采用增量学习算法快速重建网络，无需重新训练过程，所以计算速度大大优于深度学习。虽然BLS速度提升十分明显，但它应用于图像分类识别领域，分类精度不够高。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于轻量化网络模型的图像识别方法、装置、设备及可读存储介质，以实现图像分类模型大小、效率、资源、精度上面的平衡，进而实现图像又快又准确的分类，解决深度网络依赖昂贵硬件配置和计算及训练耗时，而宽度网络精度不高的问题。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于轻量化网络模型的图像识别方法，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；

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。

优选地，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，Xi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；