[发明专利]一种面向实时系统的渐进式深度学习方法

说明书

本发明公开了一种面向实时系统的渐进式深度学习方法，采用统计方法处理结果的深度学习框架，在处理图像分类问题的实时系统上，取得了能够使得分类精确度提高的进步，比起以往单独使用深度学习方法，达到了在小数据量上也能获得可靠结论的效果，一方面节省了系统存储数据的空间，另一方面减小了系统计算压力，提高了时效性和可靠性。

技术领域

本发明涉及图像处理领域，特别是一种面向实时系统的渐进式深度学习方法。

背景技术

在处理图像分类的实时系统中，由于数据实时产生、短时间内难以获得大量可靠数据等因素，系统的稳定性和决策能力备受考验。在现有技术中，往往是通过积累数据量直到满足传统深度学习框架要求后在进行分类，或者通过人工方式，或者通过其他一些传统的方法进行粗略的分类。

在传统应用于处理图像分类处理的实时系统的深度学习方法中，几乎都是基于一次性喂以大规模标准可靠数据的方式，来训练得到一个很可靠的模型，再进行具体的识别和分类。从效果讲，这样的方法是更好更可靠的。但是应用到实际的实时系统领域中效果并不是非常好，原因有数点，包括可靠数据量并不够、并且数据处于实时产生的过程中，以及系统对结论得出的迫切程度无法容受通过积累数据的方法来使用传统深度学习方法等。

因此，制约传统深度学习方法在应用于处理图像分类的实时系统的重要因素便是数据量的问题。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种面向实时系统的渐进式深度学习方法，

为解决上述技术问题，本发明所采用的技术方案是：一种面向实时系统的渐进式深度学习方法，包括以下步骤：

1)对获取的图像数据进行清洗，若清洗后的图像数量不足以进行一次完整的训练，则保留该图像数据；否则，进入步骤2)；

2)对清洗后的图像数据进行训练，得到多个训练好的模型，将待分类的图像输入框架中，在训练好的模型进行测试，记录测试后的测试结果；

3)对比测试结果识别为每一类的概率及排名，按每S组自动剔除效果最差的一组数据的方式进行更新；

4)重复上述步骤2)和步骤3)，直到处理完所有的测试结果；

5)利用下式得到测试结果属于某一类别的最终概率；

6)根据类的个数K得到K个不同的最终概率值，这K个最终概率值，分别代表了测试结果属于某个类的可能性，将测试结果归到最大概率值所对应的那个类中，此时测试结果已经完成了识别，得到了分类。

步骤2)中，采用Inception-V3模型对清洗后的图像数据进行训练

步骤5)中，最终概率F(P_i，R_i，N，K)的计算公式为：

其中，N表示测试结果组数；G(R_i，N，K)表N组测试结果中，衡量平均概率可靠性的权重；P_i为对应识别为某一类的概率，R_i为对应的概率排名，K为可能所属的类别个数。

与现有技术相比，本发明所具有的有益效果为：本发明采用了统计方法处理结果的深度学习框架，在处理图像分类问题的实时系统上，取得了能够使得分类精确度提高的进步，比起以往单独使用深度学习方法，达到了在小数据量上也能获得可靠结论的效果，一方面节省了系统存储数据的空间，另一方面减小了系统计算压力，提高了时效性和可靠性。

附图说明

图1为本发明模型更新策略原理图；

图2为本发明深度学习框架图。

具体实施方式