[发明专利]一种基于多分辨率的图像分类方法

摘要

本发明公开了一种基于多分辨率的图像分类方法，其目的在于利用不同的深度神经网络结构解决多分辨率输入问题，利用深度学习技术实现从分类标签集合中找出一个分类标签并把分类标签分配给输入图像的效果。其技术关键在于(1)采用跳过部分池化层的方法来实现多分辨率图像分类；(2)采用指定位置输入的方法来实现多分辨率图像分类。(3)根据卷积网络不同层得到的特征特点不同，对不同层的特征采用不同的利用方式。本发明输入任意一张测试图片到训练好的神经网络模型中，神经网络的输出即为该图片的类别。本发明在不统一输入图片大小的前提下，保持了原图片质量，不增加任何噪声，有效地实现了多分辨率的图像分类。

主权项

一种基于多分辨率的图像分类方法，其特征在于：步骤1：数据集准备，数据集含N种类别，每类含M种分辨其中W为图片的宽，H为图片的高,M＝0,1,2,...n，每种分辨率的图片数量相近，将图片分成训练集和测试集两个部分；步骤2：制作图片标签，标签表示为l(l∈(1,N))，表示属于第几类，在训练集中，同一类别的图片标签保持一致，不同类别的标签不能相同；步骤3：构建图片数据库，在深度卷积神经网络训练时需要输入训练数据，利用准备好的数据集和标签将图片数据转换为lmdb格式，所述lmdb为内存映射数据库，读取的效率更高，而且支持不同程序同时读取；步骤4：针对多分辨率输入设计了两种网络结构，确定深度神经网络输入层节点数、输出层节点数、隐藏层数和隐藏层节点数，随机初始化各层的连接权值W和偏置b,给定学习速率η，选定激活函数RELU，选定损失函数Loss，所述激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题，RELU的数学表达式为：步骤5：训练深度神经网络直到神经网络输出层误差达到精度要求或训练次数达到最大迭代次数，结束训练，保存网络结构和参数，得到训练好的神经网络模型；步骤6：输入任意一张测试图片到训练好的神经网络模型中，神经网络的输出即为该图片的类别。