[发明专利]基于卷积神经网络的图像分类改进方法

摘要

本发明公开了一种基于卷积神经网络的图像分类的改进算法，采用AlexNet网络模型为基本框架，将输入图片先进行适当预处理及数据增强，以降低对网络对样本数量的依赖性，通过神经网络卷积层进行特征提取，再通过池化层保留主要特征，同时减少下一层的的参数和计算量，采用多尺度卷积的方法，使得网络模型不再限制输入图像的尺寸大小，采用LDA算法进一步对特征图进行进一步的降维，最后得到对图片的预测分类。本发明的基于卷积神经网络的图像分类改进算法可以降低网络模型对样本数量的依赖性，通过采用LDA算法以及采用多尺度卷积可以进一步降低参数数量，简化计算量，并且提高图片分类的准确率。

主权项

1.一种基于卷积神经网络的图像分类改进算法，其特征在于：具体包含如下步骤：步骤一：对输入图像进行图像增强、滤波和降噪预处理操作，以降低之后对图像特征提取的影响；步骤二：预处理之后得到的图像进行卷积操作，提取图像特征，并采用最大池化方法进行池化，提取接受域中值最大的像素点，舍弃其余像素点，得到的特征图在尺寸降低的同时还保留了图像的关键信息，减小卷积核尺寸，然后再次进行卷积池化操作，输出更加抽象的特征图；步骤三：将步骤二输出的经过池化卷积操作得到的特征图通过多个连续的卷积层进行卷积，将不同通道的特征进行充分的融合，并将该特征图送入到金字塔池化层进行池化；步骤四：将特征图通过多尺度卷积层进行卷积操作，这样就得到固定尺寸大小的特征图；步骤五：采用LDA方法对特征图进行近一步的降维与分类，利用LDA进行投影，将投影后的样本特征信息带入到概率密度函数中计算，得到概率分布信息，输出计算结果和预测类别。