[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

说明书

本发明提出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。所述方法包括：图像的预处理及图像的特征提取。对于待分类的图像，将其输入到前端特征预提取模块PrM中进行特征的预提取，将提取到的特征逐步输入到第1阶段特征提取模块、第2阶段特征提取模块以及第3阶段特征提取模块，将第3阶段特征提取模块输出的特征进一步输入到后处理模块中，得到最终提取的特征。同时，在网络训练完毕后还对其在第3阶段特征提取模块及后处理模块中进行网络的剪枝操作。本发明所述方法可以更好的服务于中上层诸如目标分类，目标检测等任务，为移动端的嵌入提供了另一种选择。

技术领域

本发明属于数字图像处理技术领域，特别是涉及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。

背景技术

机器视觉技术作为人工智能领域的一个分支，其主要是将目标的信息通过相机转化为图像信息传递给相应的图像处理系统，图像处理系统通过对输入的图像进行特征提取，实现各种中层任务，例如图像分割、目标检测以及目标跟踪等，进而为上层任务，例如无人驾驶技术服务。因此，底层的图像特征提取任务对于后续的中上层任务显得尤为重要。

随着近年来硬件水平的逐步提高，促使基于神经网络的特征提取模型飞速发展，其具有的对象无关性、模型无关性带来的强大的特征提取能力被越来越多的研究者青睐。目前按照时间主线，基于神经网络的特征提取器主要有AlexNet、VGG、GoogLeNet、ResNet、DenseNet、ResNeXt和SE-Net，其网络的发展特点均是遵循着加深或展宽网络结构的方式来达到特征提取能力的逐步提升，同时解决了网络层数加深带来的训练不友好的问题，例如梯度消失以及梯度爆炸等。但是，一味地加深或展宽网络忽视了实际应用场景，例如网络模型对于硬件存储能力的要求，网络在实际应用端的运行效率等问题。其中，上述ResNet和DenseNet在训练完毕后其模型大小甚至会达到几百MB甚至GB的级别，对于移动端的部署极为不友好。

发明内容

本发明目的是为了解决现有的基于神经网络的特征提取器网络模型过于庞大，训练及部署不友好的问题，从而为端侧平台的部署提供一种新的选择，提出了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。

本发明是通过以下技术方案实现的，本发明提出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，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。

进一步地，对S5中的MS3模块以及S6中的PoM模块进行网络剪枝操作。

进一步地，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。

进一步地，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。