[发明专利]一种图像分类模型的构建方法和图像分类方法

说明书

本发明公开了一种图像分类模型的构建方法，包括：建立密集型神经网络，其中，密集型神经网络包含若干个密集块和过渡层，并且所有密集块通过所述过渡层以密集连接方式相连；使用有限图像数据集，对密集型神经网络进行训练，形成图像分类模型，以利用图像分类模型完成图像分类任务。本发明提高了图像特征的重复使用率，解决了神经网络在小样本数据集上的过拟合问题，提高了深度学习的精度。

技术领域

本发明涉及图像分类技术领域，尤其是涉及一种图像分类模型的构建方法和图像分类方法。

背景技术

图像分类技术是计算机视觉领域的热门研究方向之一，它是实现人脸识别、无人驾驶和医学检测等应用的重要基础，因此，图像分类具有很高的学术研究意义和现实应用价值。典型的图像分类算法主要涉及图像特征的表示和获得好的分类参数这两个问题。

在实现本发明过程中，发明人发现现有图像分类方法主要依赖人工设计的图像描述符对图像特征进行提取，例如：尺度不变特征变换(SIFT)、方向梯度直方图(HOG)和词袋模型(BoW)等，这些方法不仅效率低下，而且局限性很大。

另外，随着大数据、云计算和计算机硬件GPU等技术的不断发展，深度学习显示出极大优势，大样本数据集让机器可以充分进行有效地学习。然而，很多情况下用于训练的数据集并不充足，比如，因病人隐私等原因不能全部公开的医学图像数据，数据量不足会导致模型过拟合，虽然，简单的数据增强和正则化技术在一定程度上可以缓解该问题，但该问题还是没有得到彻底解决。因此，针对小样本数据集的小样本学习方法便成为解决这类问题的关键技术。

此外，随着卷积神经网络模型的发展，网络层数越来越多的同时，精度也越来越高，同时也出现了参数过多、训练困难，梯度爆炸、错误率上升等退化问题。

因此，现有技术缺乏一种利用深度学习模型实现图像分类功能的技术方案，以解决上述一种或几种技术问题。

发明内容

为了解决上述技术问题，本发明实施例提供了一种图像分类模型的构建方法，包括：建立密集型神经网络，其中，所述密集型神经网络包含若干个密集块和过渡层，并且所有密集块通过所述过渡层以密集连接方式相连；使用有限图像数据集，对所述密集型神经网络进行训练，形成图像分类模型，以利用所述图像分类模型完成图像分类任务。

优选地，在建立密集型神经网络步骤中，包括：确定所述密集型神经网络的总体结构及各密集块的内部结构，其中，不同的密集块包含不同组数个的基本神经网络结构；确定当前模型训练所需的损失函数及相应的优化方法，以利用当前损失函数及优化方法对所述密集型神经网络进行训练。

优选地，所述基本神经网络结构包括：瓶颈层、具有预设尺寸卷积核的卷积层、以及dropout层。

优选地，所述预设尺寸优选为2，所述优化方法优选为自适应矩估计法，所述瓶颈层和所述卷积层的激活函数采用带泄露的修正线性单元。

优选地，所述密集型神经网络包括：4个密集块和3个过渡层，其中，4个依次连接的密集块所对应的基本神经网路结构组数分别为6、12、24和16。

优选地，在所述密集型神经网络中的最后一层密集块之后，依次连接有池化层和分类层，其中，所述分类层采用softmax函数实现。

优选地，所述方法还包括：对所述密集型神经网络进行评估。

优选地，在对所述密集型神经网络进行评估步骤中，包括：为待构建的神经网络模型设置不同的超参数，并形成相应的所述密集型神经网络；使用所述有限图像数据集对不同的所述密集型神经网络分别进行训练并测试，优选具有最佳超参数的密集型神经网络体系结构，从而确定最优密集型神经网络。

优选地，所述有限图像数据集采用Oxford flower17图像数据集。