[发明专利]一种建立图像分类神经网络模型及图像分类方法、装置

说明书

本发明实施例提供了一种建立图像分类神经网络模型及图像分类方法、装置，该建立图像分类神经网络模型的方法中，首先获取包含已分类图像的训练集，然后根据密集连接卷积神经网络模型的密集块中各卷积层之间的距离，确定输入密集块中各卷积层的特征图的数量，形成第二密集连接卷积神经网络模型，并使用训练集对该第二密集连接卷积神经网络模型进行训练，生成图像分类神经网络模型，然后使用该图像分类神经网络模型对待分类图像数据进行分类。本发明实施例降低了图像分类过程中的网络参数量。

技术领域

本发明涉及图像处理技术领域，具体涉及一种建立图像分类神经网络模型及图像分类方法、装置。

背景技术

图像分类技术在字符识别、人脸识别、物体识别、行人检测、图像检索等方面都有广泛的应用。图像分类的主要思想是：首先对样本图像中所包含的目标或者场景进行分析，然后将图像的原始像素转换为图像的特征信息，用这些特征信息表示成各个图像的描述信息，最后根据得到的这些描述信息进行图像分类。传统的图像分类的方法有局限性，需要分别进行图像特征提取和分类，而且图像特征的提取是图像准确分类的前提，因此提取到的特征必须是对整幅图像的完整描述，如果特征提取方法错误或图像特征提取不充分，分类的准确性便不能得到保障，甚至会导致无法分类。

目前，DCNN(深度卷积神经网络)已经成为图像分类的主流方法，它是通过模拟人类的视觉系统来产生分类结果的，将特征提取与图像分类融合在了一起。Densenet(密集连接卷积神经网络)以DCNN为基础，其主要思想是：网络中每一层都接收其前部所有层的输出特征图作为输入，这样每一层都重新在其之前所有层的输出中提取有用信息，但随着网络宽度的加宽以及深度的加深，网络的参数量会发生爆炸性增长。

发明内容

鉴于上述的分析，本发明实施例提出了一种建立图像分类神经网络模型及图像分类方法、装置，用以解决现有密集连接卷积神经网络，随着网络宽度的加宽以及深度的加深，网络的参数量会发生爆炸性增长的问题。

为实现上述目的，本发明采用如下技术方案：

根据第一方面，本发明实施例提供一种建立图像分类神经网络模型的方法，该建立图像分类神经网络模型的方法包括：获取包含已分类图像的训练集；根据密集连接卷积神经网络模型的密集块中各卷积层之间的距离，确定输入密集块中各卷积层的特征图的数量，形成第二密集连接卷积神经网络模型；使用训练集对第二密集连接卷积神经网络模型进行训练，生成图像分类神经网络模型。

结合第一方面，在第一方面第一实施方式中，根据密集连接卷积神经网络模型的密集块中各卷积层之间的距离，确定输入密集块中各卷积层的特征图的数量，形成第二密集连接卷积神经网络模型，包括：获取密集块中各卷积层之间的距离和相邻两个卷积层之间传递的特征图的数量；根据密集块中各卷积层之间的距离和相邻两个卷积层之间传递的特征图的数量，确定输入密集块各卷积层的特征图数量增长率；根据该增长率，确定输入密集块中各卷积层的特征图的数量，形成第二密集连接卷积神经网络模型。

结合第一方面第一实施方式，在第一方面第二实施方式中，通过如下公式确定输入密集块各卷积层的特征图数量增长率G：

其中，ΔL表示密集块中第一层卷积层与最后一层卷积层之间的距离，h表示相邻两个卷积层之间的距离，s表示第一层卷积层输出的特征图的数量，s₀表示相邻两个卷积层之间传递的特征图的数量。

结合第一方面第二实施方式，在第一方面第三实施方式中，通过如下公式确定输入密集块中各卷积层的特征图的数量，s_L表示输入第L层卷积层的特征图的数量，L为大于等于2的正整数：

其中，s₁表示输入密集块第一层卷积层的特征图的数量，l表示向第L层卷积层输入特征图的卷积层。