[发明专利]一种基于多核密集连接网络的图像分类方法

说明书

本发明涉及一种基于多核密集连接网络的图像分类方法，包括以下步骤：S1：建立图像集；S2：构建多核密度连接网络模型，多核密度连接网络模型包括密集连接单元、注意力单元和分类单元，密集连接单元包括至少两个密集连接模块，密集连接模块包括多个瓶颈层，瓶颈层内包括依次设置的两个卷积层，不同的密集连接模块中的瓶颈层内的第二个卷积层的卷积核的大小不同；S3：训练多核密集连接网络模型，得到训练好的多核密集连接网络模型；S4：将测试集输入到训练好的多核密集连接网络模型，输出图像分类结果。与现有技术相比，本发明通过不同大小的卷积核，能够有效提取出极端图像上存在的不同尺度的深度特征，实现更优的分类效果。

技术领域

本发明涉及一种图像分类方法，尤其是涉及一种基于多核密集连接网络的图像分类方法。

背景技术

对于图像细粒度分类、极端图像分类等任务，需要CNN模型能够有效识别出相似物体之间存在的细微差异，例如需要根据一张图像区分出狗或鸟的品种，根据图像上的细微环境背景差异区分出拍摄时所处的环境状况，这些任务都对分类模型有着较高的要求，需要能够更加有效的提取出图像上不同尺度的深度特征，CNN模型需要具有更高的鲁棒性。由于现有的DenseNet等模型只使用一个大小的卷积核从原始图像上提取特征，不能提取出图像上不同尺度的深度特征，其在上述这些任务中的表现并不好，因此提出了一种用于图像分类的多核密集连接网络模型，能够有效提高这类任务的分类准确率。

现有技术中对于细微差异识别的方法都较为复杂。中国专利CN201811556747.X公开了一种基于判别关键域和深度学习的植物图像细粒度分类方法，提出了一种用于植物图像细粒度分类的方法，将图像进行语义分割，识别出关键域图像，再使用CNN网络对关监域图形进行分类，其训练模型的过程较为繁琐且图像类型单一，只能针对某一类图像。而DenseNet、ResNet等现有的CNN网络模型对于大部分的分类任务都具有较好的分类效果，但是在图像细粒度分类、极端图像分类等任务上也无法取得较好的效果。首先，其输入图像尺寸较小，过小的尺寸会导致图像上部分细节信息丢失，而这些细节信息对于上述的分类任务来说却是极为重要的。另外，DenseNet等模型对于输入图像只采用一个卷积核进行特征提取，并不能完整的提取出图像上存在的不同尺度的深度信息，因此，会导致分类准确率较低，对图像识别时极容易出现误判的情况。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多核密集连接网络的图像分类方法。

本发明的目的可以通过以下技术方案来实现：

一种基于多核密集连接网络的图像分类方法，包括以下步骤：

S1：建立图像集，对图像集中的图像进行标签标记，将图像集中的图像划分为训练集、验证集和测试集；

S2：构建多核密度连接网络模型，所述的多核密度连接网络模型包括密集连接单元、注意力单元和分类单元，所述的密集连接单元包括至少两个密集连接模块，所述的密集连接模块包括多个瓶颈层，所述的瓶颈层内包括依次设置的两个卷积层，不同的密集连接模块中的瓶颈层内的第二个卷积层的卷积核的大小不同；

S3：将训练集、验证集中的图像输入到多核密集连接网络模型，得到训练好的多核密集连接网络模型；

S4：将测试集输入到训练好的多核密集连接网络模型，输出图像分类结果。

优选地，所述的密集连接模块包括六个上采样模块和依次连接的瓶颈层1、过渡层1、瓶颈层2、过渡层2、瓶颈层3、过渡层3、瓶颈层4、过渡层4、第一拼接模块、瓶颈层5、过渡层5、第二拼接模块、瓶颈层6、过渡层6和第三拼接模块，所述的过渡层1的输出端与第二拼接模块输入端连接，所述的过渡层2的输出端与第一拼接模块的输入端连接，所述的瓶颈层1的输入端与第三拼接模块的输入端连接，所述的瓶颈层2、瓶颈层3、瓶颈层4、瓶颈层5、瓶颈层6的输入端和过渡层6的输出端分别通过六个上采样模块与第三拼接模块的输入端连接。