[发明专利]基于参数高效的深度残差网络模型的图像分类方法

权利要求书

1.一种基于参数高效的深度残差网络模型的图像分类方法，根据网络的深度、宽度、多样性和基数，建立具有参数高效性的改进的网络模型，用于高效地进行图像分类识别；包括如下步骤：

1)将图像数据分为训练样本和测试样本；

2)对训练样本图像进行预处理；

3)构建具有参数高效性的深度残差网络模型，并进行模型训练：构建得到的网络模型包括深度金字塔残差网络模型、嵌套网络模型、三角形网络模型；将经过预处理的训练样本对上述网络模型分别进行训练，得到训练好的网络模型；

3A)构造密集连接的深度金字塔残差网络DensePyramids：具体在深度金字塔残差网络PyramidNet中引入密集连接，每个残差模块内使用密集连接，残差模块与残差模块之间由过渡层连接；或在密集连接的深度残差网络DenseNet中逐渐增加每一层的输出特征图维度；

3B)构造嵌套网络NestNet并训练；构造嵌套网络包括如下步骤：

3B1)基于多层感知机MLP结构，在宿主网络的每一个节点中嵌入多个相同或者不同的小网络，称为嵌入网络；或堆叠多个网络模块；

3B2)在不同的宿主网络节点中嵌套不同的嵌入网络，形成嵌套网络，生成高性能的网络结构；

3B3)嵌套网络中每一个节点的输出为特征图，节点变换操作由卷积模块完成，每一层节点的输出的特征图都作为下一层节点的输入；

3C)构造三角形网络TriangleNet并训练：

在构造嵌套网络过程中，当在宿主网络的节点里嵌入不同深度的嵌入网络即可生成三角形网络；通过嵌入不同深度的嵌入网络，从输入到输出之间的每一层都是三角形的形状，并且三角形的大小逐层减小，整个网络看上去也是一个三角形的形状，形成三角形网络；

4)利用步骤3)构建并训练好的具有参数高效性的深度残差网络模型，对测试样本进行识别，分别得到预测的分类标签；由此实现图像分类识别。

2.如权利要求1所述基于参数高效的深度残差网络模型的图像分类方法，其特征是，步骤2)对训练样本图像进行预处理，具体采用标准图像增强方法进行预处理。

3.如权利要求1所述基于参数高效的深度残差网络模型的图像分类方法，其特征是，步骤3A)在密集连接的深度金字塔残差网络中，输入数据通过卷积层提升维度，送入多个残差模块，最后经池化层和全连接层得到输出标签。

4.如权利要求3所述基于参数高效的深度残差网络模型的图像分类方法，其特征是，所述密集连接的深度金字塔残差网络包括相同拓扑结构的三块；过渡层起到下采样和压缩特征图维度的作用；压缩比率采用0.5或1；密集连接的深度金字塔残差网络层数为40层或100层；增长速率k初始值设为12；增长速率k的增长速率p的值取2、4、6或12。

5.如权利要求1所述基于参数高效的深度残差网络模型的图像分类方法，其特征是，步骤3B)嵌套网络中的宿主网络为浅层网络，具体使用三个隐层的多层感知机做框架，每个隐层具有相同的节点数，嵌入节点中的嵌入网络形式为PyramidNet或DenseNet，深度从2层到20层不等；隐层之间由过渡层连接，过渡层起到下采样和压缩特征图维度的作用，压缩比率采用0.5。

6.如权利要求1所述基于参数高效的深度残差网络模型的图像分类方法，其特征是，步骤3C)构造的三角形网络TriangleNet中，具体地，通过在同一层中不同的节点嵌入不同深度的网络来捕捉图像不同层次的信息，将不同层次的信息组合连接起来作为当前层的输出传递给下一层，由此提高分类性能；连接后的特征图维度对于之前的每一个节点急剧增大，后续层的节点嵌套的网络具有宽结构；在相邻的两层之间插入过渡层，通过1×1的卷积操作降低特征图维度；在整体网络的1/3和2/3深度处，过渡层通过池化做下采样。

7.如权利要求6所述基于参数高效的深度残差网络模型的图像分类方法，其特征是，三角形网络中的残差模块采用PyramidNet中的残差模块，隐层数分别为5、7、8。