[发明专利]基于混合深度可分离膨胀卷积的图像分类模型及其分类方法

权利要求书

1.基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述图像分类模型构建过程如下：

从前至后将深度可分离膨胀卷积层、特征连接层、卷积层、批标准化层和修正线性单元层封装成混合深度可分离膨胀卷积模块；所述混合深度可分离膨胀卷积模块中的深度可分离膨胀卷积层采用3个、且并行布设；

从前至后将卷积层、批量归一化层、修正线性单元层、混合深度可分离膨胀卷积模块、最大值池化层、压平层、随机失活层和全连接层封装构成深度神经网络的主干网络；

对主干网络的参数权重进行随机初始化，并预设迭代次数和批量归一化层的动量参数；采用随机梯度下降法优化网络模型的参数，重复迭代计算，直至损失值收敛，得到最优的网络模型。

2.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述混合深度可分离膨胀卷积模块设置有8个，并按2、3、3进行分块，且任一分块后设置有一最大值池化层。

3.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述混合深度可分离膨胀卷积模块中从上至下的3个深度可分离膨胀卷积层的膨胀率依次取值为1、2、3，卷积核大小都为3×3，步长都为1。

4.根据权利要求3所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述混合深度可分离膨胀卷积模块中的卷积层的卷积核大小都为1×1，步长都为1。

5.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述随机失活层的失活率为0.5。

6.根据权利要求2所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，任一所述最大值池化层的采样核大小为2，步长为2。

7.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述批量归一化层的动量参数为0.975，学习率设为0.1。

8.根据权利要求1所述的基于混合深度可分离膨胀卷积的图像分类模型，其特征在于，所述迭代次数取值为30000。

9.一种图像分类方法，其特征在于，采用权利要求1～8任一项所述的基于混合深度可分离膨胀卷积的图像分类模型进行分类。