[发明专利]一种基于轻量级深度学习网络的文物分类方法在审
申请号: | 202111167627.2 | 申请日: | 2021-10-07 |
公开(公告)号: | CN113920363A | 公开(公告)日: | 2022-01-11 |
发明(设计)人: | 张绍泽;任磊;汪霖;邢天璋 | 申请(专利权)人: | 中国电子科技集团公司第二十研究所 |
主分类号: | G06V10/764 | 分类号: | G06V10/764;G06K9/62;G06N3/04 |
代理公司: | 西北工业大学专利中心 61204 | 代理人: | 顾潮琪 |
地址: | 710068 *** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 轻量级 深度 学习 网络 文物 分类 方法 | ||
1.一种基于轻量级深度学习网络的文物分类方法,其特征在于,包括以下步骤:
S1,构建面向文物图像分类的原始图像数据集;
S2,使用粗粒度聚类神经网络模型将原始数据集划分成k个小数据集;利用所构建的原始图像数据集对粗粒度聚类模型进行监督训练;
S3,分别训练与k个小数据集相对应的分类器,获得k个分类器;将原始图像数据集作为分类器的输入,根据分类器输出特征得到文物图像中文物类别的判别结果;
S4,利用能量预测模型来预测深度学习模型能否成功部署于资源有限的设备上,其中,代表整个神经网络的计算量,和分别表示第j个卷积层的输入通道数和输出通道数,第j个卷积层的输入特征图大小为K为卷积核大小,n为整个神经网络的卷积层数,R表示与计算量相关的能量消耗,α为计算量和能量消耗的转换因子;将R值与资源有限设备的最大能耗进行比较,若设备最大能耗大于R则转至步骤S5,否则转至步骤S2,调整超参数α以及监督训练中标准卷积和深度可分离卷积输入输出通道维数;
步骤S5:将模型部署到资源有限的设备上进行推理。
2.根据权利要求1所述的基于轻量级深度学习网络的文物分类方法,其特征在于,所述的原始图像数据集利用故宫博物馆公开藏品DPM数据集和美国纽约大都会博物馆公开藏品MET数据集构建。
3.根据权利要求1所述的基于轻量级深度学习网络的文物分类方法,其特征在于,所述的步骤S2利用机器学习技术将整个数据集进行聚类,得到k个簇,将其作为粗粒度聚类神经网络的伪标签;利用所构建的原始图像数据集对粗粒度聚类模型进行监督训练,将文物图像数据集划分为k个小数据集,训练中文物图像的真实标签为粗粒度聚类神经网络的伪标签;将粗粒度聚类神经网络获得的特征图输入到softmax分类器,从而将文物图像数据集划分为k个小数据集;所述的监督训练采用自定义神经网络模块,操作步骤如下:
S221,采用1×1卷积核对输入文物图像的通道维数进行增强,获得特征图A1;
S222,对特征图A1进行批量归一化和非线性激活函数操作,获得特征图A2;
S223,将特征图A2进行两种方式特征提取,其中,执行标准卷积获得特征图A3,采用深度可分离卷积获得特征图A4;
S224,对特征图A3和特征图A4均进行批量归一化和非线性激活函数运算,并对其输出的2个特征图进行融合,获得融合特征图A5;
S225,采用1×1卷积核来降低融合特征图A5的维数,获得特征图A6;
S226,将特征图A6作为softmax分类器1的输入,得到k个小数据集对应的k维概率向量vA=(vA,1,vA,2,…,vA,k)T,其中vA,i以表示文物图像A属于第i个小数据集的概率,i=1,2,…,k,判断文物图像A属于第I个小数据集,
4.根据权利要求1所述的基于轻量级深度学习网络的文物分类方法,其特征在于,所述分类器的神经网络模块操作步骤如下:
S31,采用1×1卷积核对输入文物图像的通道维数进行增强,获得特征图B1;
S32,对特征图B1进行批量归一化和非线性激活函数操作,获得特征图B2;
S33,将特征图B2进行两种方式进行特征提取,其中,执行标准卷积获得特征图B3,采用深度可分离卷积获得特征图B4;
S34,对特征图B3和特征图B4均进行批量归一化和非线性激活函数运算,并对其输出的2个特征图进行融合,获得融合特征图B5;
S35,采用1×1卷积核来降低融合特征图B5的维数,获得特征图B6;
S36,将特征图B6作为softmax分类器2的输入,得到该小数据集对应m种文物图像类别的m维概率向量vB=(vB,1,vB,2,…,vB,m)T,其中vB,m以表示文物图像A属于第j种文物图像类别的概率,j=1,2,…,m,判断文物图像A属于第J种文物图像类别,
5.根据权利要求1所述的基于轻量级深度学习网络的文物分类方法,其特征在于,所述的超参数α,其比值限定在{0.125,0.25,0.5,0.75}。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国电子科技集团公司第二十研究所,未经中国电子科技集团公司第二十研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111167627.2/1.html,转载请声明来源钻瓜专利网。