[发明专利]基于卷积神经网络和非局部连接网络的图像分类方法

摘要

本发明公开了一种基于卷积神经网络和非局部连接网络的图像分类方法，解决了卷积神经网络分类图像精度较低的问题。实现步骤：下载N个图像分类数据集并分割；使用卷积神经网络在数据集上训练并测试得到分类结果；构建图像分类网络；利用构建好的最优图像分类网络在图像分类数据集上训练并测试得到分类结果；在给定的M组网络参数和N个数据集条件下，对比M×N组实验结果。本发明将非局部连接网络首次应用到了图片分类领域，将卷积神经网络和非局部连接网络结合，利用非局部连接网络的去噪特性提高了卷积神经网络分类图像的精度，并给出了如何将非局部网络应用到卷积神经网络中的方法。用于深度学习图像分类技术领域。

主权项

1.一种基于卷积神经网络和非局部连接网络的图像分类方法，其特征在于：包含有如下步骤：步骤1：下载N个图像分类数据集并分割：下载N个图像分类数据集，将下载的图像数据集图片分为训练集、验证集及测试集三部分；步骤2：使用卷积神经网络在数据集上训练并测试得到分类结果：引用卷积神经网络作为基础网络，并利用该卷积神经网络在训练集和验证集上训练该网络，得到训练好的卷积神经网络，接着利用训练好的卷积神经网络在测试集上测试得到图像分类的结果，并记录分类结果的分类精度，完成一次完整的训练和测试，在一次完整的训练和测试中要使用相同的网络参数；在下载N个数据集的基础上，设置M组网络参数按照上述方法进行图像分类。具体是在每组网络参数条件下，分别在每个数据集上都训练并测试卷积神经网络，并记录分类结果。最终得到M组网络参数分别在N个数据集上的分类结果，其中训练在数据集的训练集和验证集上，测试是在数据集的测试集上；步骤3：构建图像分类网络：在卷积神经网络中加入非局部连接网络的连接模块，构建基于卷积神经网络和非局部连接网络的图像分类网络；在图像分类数据集上训练图像分类网络并测试找出使得分类精度最高的在卷积神经网络中加入non‑local block的位置和个数并记录，此时在卷积神经网络中按照记录的位置和个数加入non‑local block后的网络则为构建好的最优图像分类网络；步骤4：利用构建好的最优图像分类网络在图像分类数据集上训练并测试得到分类结果：利用构建好的最优图像分类网络在训练集和验证集上训练该网络，得到训练好的最优图像分类网络，接着利用训练好的最优图像分类网络在测试集上测试得到图像分类的结果，并记录分类结果的分类精度，完成一次完整的训练和测试，在一次完整的训练和测试中要使用相同的网络参数；利用下载的N个数据集和设置的M组网络参数进行图像分类，具体是在每组网络参数条件下，分别在每个数据集上都训练并测试最优图像分类网络，并记录分类结果。最终得到M组网络参数分别在N个数据集上的分类结果，其中训练在数据集的训练集和验证集上，测试是在数据集的测试集上；步骤5：在给定的M组网络参数和N个数据集条件下，对比M×N组实验结果：在选择数据集和设置网络参数对应相同的情况下，比较卷积神经网络和图像分类网络分别得到的图像分类精度结果，依次比较两个网络的M×N组实验结果。