[发明专利]一种基于多核密集连接网络的图像分类方法

权利要求书

1.一种基于多核密集连接网络的图像分类方法，其特征在于，包括以下步骤：

S1：建立图像集，对图像集中的图像进行标签标记，将图像集中的图像划分为训练集、验证集和测试集；

S2：构建多核密度连接网络模型，所述的多核密度连接网络模型包括密集连接单元、注意力单元和分类单元，所述的密集连接单元包括至少两个密集连接模块，所述的密集连接模块包括多个瓶颈层，所述的瓶颈层内包括依次设置的两个卷积层，不同的密集连接模块中的瓶颈层内的第二个卷积层的卷积核的大小不同；

S3：将训练集、验证集中的图像输入到多核密集连接网络模型，得到训练好的多核密集连接网络模型；

S4：将测试集输入到训练好的多核密集连接网络模型，输出图像分类结果；

所述的密集连接模块包括六个上采样模块和依次连接的瓶颈层1、过渡层1、瓶颈层2、过渡层2、瓶颈层3、过渡层3、瓶颈层4、过渡层4、第一拼接模块、瓶颈层5、过渡层5、第二拼接模块、瓶颈层6、过渡层6和第三拼接模块，

所述的过渡层1的输出端与第二拼接模块输入端连接，所述的过渡层2的输出端与第一拼接模块的输入端连接，所述的瓶颈层1的输入端与第三拼接模块的输入端连接，所述的瓶颈层2、瓶颈层3、瓶颈层4、瓶颈层5、瓶颈层6的输入端和过渡层6的输出端分别通过六个上采样模块与第三拼接模块的输入端连接。

2.根据权利要求1所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的瓶颈层包括卷积层、批量归一化层、ReLu激活函数、卷积层、批量归一化层和ReLu激活函数，所述的瓶颈层的输出为瓶颈层的输入特征图和最后ReLu激活函数输出的特征图在通道维度上拼接后形成的瓶颈层特征图。

3.根据权利要求1所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的过渡层包括三类：过渡放大层、过渡缩小层和过渡恒定层，所述的过渡放大层包括依次连接的批量归一化层、ReLu激活函数、卷积层、上采样层，所述的过渡缩小层包括依次连接的批量归一化层、ReLu激活函数、卷积层、平均池化层，所述的过渡恒定层包括依次连接的批量归一化层、ReLu激活函数、卷积层。

4.根据权利要求1所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的上采样模块包括依次连接的卷积层、批量归一化层、ReLu激活函数、上采样，所述的上采样模块中的卷积层的输入通道数与上一层的输出通道数相同，所述的上采样模块中的卷积层的输出通道数为1。

5.根据权利要求1所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的密集连接单元包括三个密集连接模块，所述的三个密集连接模块的瓶颈层内的第二个卷积层的卷积核的大小分别为3×3、5×5和7×7。

6.根据权利要求1所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的注意力单元的包括依次连接的通道注意力模块、卷积层、批量归一化层、ReLu激活函数、空间注意力模块和TanH激活函数。

7.根据权利要求6所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的通道注意力模块包括全局池化层、全连接层和Sigmoid激活函数，所述的通道注意力模块的输出为通道注意力模块中Sigmoid激活函数与通道注意力模块的输入值的乘积。

8.根据权利要求6所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的空间注意力模块包括平均池化层、最大池化层、卷积层和Sigmoid激活函数。

9.根据权利要求1所述的一种基于多核密集连接网络的图像分类方法，其特征在于，所述的分类单元包括依次连接的卷积层、批量归一化层、ReLu激活函数、卷积层、ReLu激活函数、平均池化层、碾平层、全连接层、ReLu激活函数、Dropout函数和全连接层。