[发明专利]一种基于高精度且轻量化的特征提取网络模型的图像分类方法

权利要求书

1.一种基于高精度且轻量化的特征提取网络模型的图像分类方法，其特征在于，所述方法具体包括：

S1：对全部输入图片进行预处理；

S2：将预处理后的图片即特征图输入到前端特征预提取模块PrM中进行特征的预提取；

S3：将按照S2的方式得到的预提取的特征输入到第1阶段特征提取模块MS1中，得到经MS1提取的特征q₁；

S4：将按照S3的方式得到的特征q₁输入到第2阶段特征提取模块MS2中，得到经MS2提取的特征q₂；

S5：将按照S4的方式得到的特征q₂输入到第3阶段特征提取模块MS3中，得到经MS3提取的特征q₃；

S6：将按照S5的方式得到的特征q₃输入到后处理模块PoM中，得到最终提取的特征；

S7：将所述最终提取的特征经过一次由平均池化和全连接构成的组合操作进行的特征的最终转化，将其转化为输出端可识别的类别信息，从而完成对于输入图片的分类任务。

2.根据权利要求1所述的图像分类方法，其特征在于，对S5中的MS3模块以及S6中的PoM模块进行网络剪枝操作。

3.根据权利要求1所述的图像分类方法，其特征在于，所述对全部输入图片进行预处理具体包括：尺寸重置、中心剪裁、水平翻转和归一化处理。

4.根据权利要求1所述的图像分类方法，其特征在于，在S2中，特征图输入至PrM模块后，PrM模块对特征图分别进行一次卷积操作和一次最大池化操作，提取具有初步全局信息的特征。

5.根据权利要求1所述的图像分类方法，其特征在于，所述的第1阶段特征提取模块MS1、第2阶段特征提取模块MS2以及第3阶段特征提取模块MS3在结构上均是由1个γ-WSB模块和若干个ASB或SB模块组成，其中MS1含有3个ASB-S模块，MS2含有2个ASB-L和5个ASB-S模块以及MS3含有3个SB模块；在MS2中，第1和第6为ASB-L，其余均为ASB-S。

6.根据权利要求5所述的图像分类方法，其特征在于，所述γ-WSB模块由特征提取部分、γ权重乱序模块γ-WSM以及乱序模块OSM组成，首先将输入的特征图输入到γ-WSB模块的特征提取部分进行特征提取，接着将提取的特征分别输入到γ-WSB后端的γ-WSM以及OSM中进行特征图的重新乱序操作，接着将乱序后的特征图进行融合，从而为接下来的ASB-S做准备；

所述ASB-S由一系列的卷积、正则化以及激活操作构成，完成对前端γ-WSB已提取特征的再次特征提取。

7.根据权利要求6所述的图像分类方法，其特征在于，S6中所述PoM由一次组合操作卷积-正则化-激活(C-B-R)构成，对输入的特征进行通道上的调整。

8.根据权利要求2所述的图像分类方法，其特征在于，所述网络剪枝操作具体为：

第1步：初级剪枝准备；

第2步：通道调整；

第3步：块耦合处剪枝；

第4步：剪枝；

第5步：微调。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。

10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。