[发明专利]一种融合DarkNet与CapsuleNet模型的图像分类方法

说明书

本发明公开了一种融合DarkNet与CapsuleNet模型的图像分类方法，属于图像处理技术领域，解决由于数据不均衡导致分类效果差的问题；技术方案为以下步骤：构建DarkNet‑Capsule网络融合分类模型、实现对融合分类模型损失函数的定义、在融合分类模型中输入要分类的图像，利用DarkNet进行前向训练，提取目标图像的特征图谱；对目标图像特征图谱做进一步处理，通过损失完成误差反传更新整个网络的参数；通过多轮迭代学习之后，利用融合分类模型完成对图像的分类；本发明在图像分类领域，可以进一步提高数据不均衡时的分类准确率，同时也为机器视觉的研究奠定了更为坚实的基础。

技术领域

本发明属于图像处理技术领域，具体涉及一种融合DarkNet与CapsuleNet模型的图像分类方法。

背景技术

图像分类是图像处理领域的一项重要技术，近几年，随着深度学习的发展，图像分类技术获得巨大的发展。

DarkNet模型是属于YOLO检测框架中一种基于残差理念改进的图像特征提取模型，它不仅具备了残差网络避免网络退化的性质，并且减少了模型的参数量。但是随着训练数据量的减少，模型的泛化性能会变差，导致分类准确率会急剧下降。

CapsuleNet模型提出卷积神经网络使用卷积核提取图像特征会导致神经网络无法学习到同一特征所有不同视角下的表示这一问题。为解决这一问题，该模型用向量代表神经元标量表示图像特征，使得模型的泛化性能提高，可以使用相对较少的数据量获得较好的分类效果，然而该模型在面对较为复杂的数据集时，分类准确率却很差。

在现实中，我们所拥有的数据集往往出现量级极度倾斜的情况，我们目前所拥有的模型在提取某一小类别的图像特征时往往效果不理想，导致最后分类效果很差。基于此，有必要提出一种能改善数据不均衡导致分类结果太差的模型。

发明内容

本发明克服了现有技术的不足，提供一种融合DarkNet与CapsuleNet模型的图像分类方法，解决由于数据不均衡导致分类效果差的问题。

为了达到上述目的，本发明是通过如下技术方案实现的。

一种融合DarkNet与CapsuleNet模型的图像分类方法，包括以下具体步骤：

步骤S1：构建DarkNet-Capsule网络融合分类模型，包括DarkNet模型的定义、CapsuleNet模型的定义；具体是将多个DarkNet块组成DarkNet模型，在最后一个DarkNet块后搭建CapsuleNet网络。

步骤S2：实现对融合分类模型损失函数的定义；融合模型的损失是由胶囊网络的margin loss加上DarkNet的L2权重正则化损失组成，损失函数公式如下所示：L＝T_k max(0，m⁺-||v_k||)²+λ(1-T_k)max(0，||v_k||-m^-)²+||w_D||²

其中，T_k表示类是否存在，m⁺＝0.9，m^-＝0.1，λ为超参数设置为0.5，||v_k||代表胶囊单元属于这个类别的概率，||w_D||²为DarkNet网络各层权重的L2正则化损失之和，损失函数为CapsuleNet的MarginLoss加上DarkNet网络各层权重的L2正则化损失之和。

步骤S3：在融合分类模型中输入要分类的图像，利用DarkNet进行前向训练，提取目标图像的特征图谱；

步骤S4：利用胶囊网络，对目标图像特征图谱做进一步处理，通过损失完成误差反传更新整个网络的参数；