[发明专利]基于级联特征块的图像分类系统

说明书

本发明公开了一种基于级联特征块的图像分类系统，其包括宽度学习系统和用于训练宽度学习系统的训练模块，宽度学习系统包括特征块组，特征块组由若干个依次级联的特征块组成，各特征块的输出与Flatten层连接，Flatten层将拼接后的数据输入Top‑level Dropout层，经Top‑level Dropout层处理后的数据输入Top‑level FC层，Top‑level FC层输出分类结果；训练模块为Adam算法。本发明将各特征块级联起来，增加了模型的深度，使宽度学习系统能够学习到更抽象，更具有利于判别的信息，能明显提高宽度学习系统的特征学习能力，提高分类准确率，同时训练和测试时间仍然较短。

技术领域

本发明图像分类技术领域，特别涉及一种用于图像分类的宽度学习系统。

背景技术

图像分类是根据图像的特征和特定的规则将图像分成不同类别的过程，图像分类是图像理解的基本和核心问题之一。为了解决图像分类这个问题，研究人员提出了许多方法，包括目前流行的深度学习网络包括深度信念网络(deep Belief networks,DBN)、深度玻尔兹曼机器(deep Boltzmann Machines,DBM)和深度卷积神经网络(DeepConvolutional Neural Network,DCNN)。由于DCNN能够学习到图像的高级特征，因此被广泛应用于图像分类中，并在SVHN、CIFAR-10和CIFAR-100等复杂数据集上都取得了良好的结果。但是由于DCNN的隐藏层比较多，在训练过程中需要更新大量的参数，所以DCNN的训练过程非常耗时。

为了解决DCNN训练时间长的问题，Chen等人(Chen,C.L.P.and Z.Liu,Broadlearning system:an effective and efficient incremental learning systemwithout the need for deep architecture.IEEE Transactions on Neural Networksand Learning Systems,2018.29(1):p.10-24)提出了宽度学习系统(Broad LearningSystem,BLS)，作为替代深度结构的可选项，主要用于回归和分类任务。BLS是一个扁平的结构，只有一个隐藏层。其中，用于生成映射特征节点以及增强节点的权重和偏置是随机产生的，一旦生成就不会改变，BLS中的输出权重是通过岭回归计算的，无需迭代。因此BLS的训练速度是很快的。然而，BLS的特征学习能力要弱，因为它只有一个隐藏层，大部分的权重和偏置都是随机生成的。因此，在对复杂的图像数据集进行分类时，BLS的准确度较低。