[发明专利]一种多尺度轻量化图像分类方法及其存储介质

权利要求书

1.一种多尺度轻量化图像分类方法，其特征在于，包括以下步骤：

建立训练样本集、测试样本集和验证样本集；

建立深度可分离卷积神经网络；

在深度可分离卷积神经网络的卷积网络中间层引入SKNet模块，获得初始模型；

建立初始模型的损失函数；

根据训练样本集和损失函数对初始模型进行训练，获得训练模型；

训练模型对测试样本集进行分类，并将分类结果与验证样本集的类别标签进行对比，获得测试样本集的分类准确度。

2.根据权利要求1所述的多尺度轻量化图像分类方法，其特征在于，所述建立训练样本集、测试样本集和验证样本集，包括对训练样本集的图像数据集进行扩展预处理。

3.根据权利要求2所述的多尺度轻量化图像分类方法，其特征在于，所述扩展预处理包括图像裁剪、图像翻转、图像缩放、亮度调节、对比度调节、色相调节、饱和度调节、灰度调节。

4.根据权利要求1所述的多尺度轻量化图像分类方法，其特征在于，所述深度可分离卷积神经网络由若干深度可分离卷积模块组成。

5.根据权利要求1所述的多尺度轻量化图像分类方法，其特征在于，所述在深度可分离卷积神经网络的卷积网络中间层引入SKNet模块，获得初始模型，包括在同一卷积层中分别用若干深度可分离网络对特征谱进行卷积，并将卷积后的特征谱进行逐像素相加，通过门控机制重新标定特征图权重。

6.根据权利要求1所述的多尺度轻量化图像分类方法，其特征在于，所述损失函数表示为：

L_fl＝-αγ(1-y′)^γlogy′-(1-α)(1-γ)y′^γlog(1-y′)

其中L_f1为损失函数值，α为平衡因子，γ为选择因子，y为训练样本集的样本的标签值，y′为经过sigmoid激活函数的预测输出标签值。

7.根据权利要求1所述的多尺度轻量化图像分类方法，其特征在于，所述根据训练样本集和损失函数对初始模型进行训练，获得训练模型，包括当损失函数的损失值小于预设阈值或训练次数等于预设迭代次数时，完成训练并获得训练模型。

8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的多尺度轻量化图像分类方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的多尺度轻量化图像分类方法。