[发明专利]一种多尺度轻量化图像分类方法及其存储介质

说明书

本发明公开了一种多尺度轻量化图像分类方法及其存储介质，所述多尺度轻量化图像分类方法的主要流程为：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；利用深度可分离卷积网络，减小初始模型的训练参数，提高特征提取的效率，并通过引入SKNet模块，使训练模型可自适应调节图像的接受域，可自主选择感受野的大小，提升对尺寸大小不一样的图像分类效果。

技术领域

本发明涉及图像分类技术领域，特别涉及一种多尺度轻量化图像分类方法及其存储介质。

背景技术

对于计算机要解释一张图片的内容比较难，视点变化、缩放变化、变形、闭合变化、光照变化、背景、类内变化都会影响计算机对图片的分类结果，为了理解图像的内容，我们必须应用图像分类，这是使用计算机视觉和机器学习方法从图像中抽取意义的任务。现有图像分类主要采用卷积神经网络模型，但是随着后续神经网络发展模型越来越大，卷积神经网络模型越来越难在嵌入式系统或者移动设备上应用，并且现有图像分类方法对尺寸大小不一的图像分类效果不佳。

可见，现有技术还有待改进和提高。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种多尺度轻量化图像分类方法，其可减小模型的训练参数，提高特征提取的效率，加速神经网络收敛，并且对尺寸大小不一样的目标分类效果较好。

为了达到上述目的，本发明采取了以下技术方案：

一种多尺度轻量化图像分类方法，具体包括以下步骤：

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。

所述的多尺度轻量化图像分类方法中，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。

所述的多尺度轻量化图像分类方法中，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。

所述的多尺度轻量化图像分类方法中，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。

所述的多尺度轻量化图像分类方法中，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。

所述的多尺度轻量化图像分类方法中，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_fl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。