[发明专利]基于分层选择性Adaboost-DNNs的图像分类模型建立、分类方法及系统

说明书

本发明属于计算机视觉技术领域，公开了一种基于分层选择性Adaboost‑DNNs的图像分类模型建立、分类方法及系统。方法包括：步骤1：获取图像数据集，标注图像数据集中的每张图像的类别，将图像分为训练集和验证集并设定训练集中每张图像的初始权重；步骤2：建立HS Adaboost‑DNNs模型，所述的HS Adaboost‑DNNs模型包括M个子网络，M为正整数，将图像数据集的所有类别作为真实标签，采用训练集、验证集和真实标签对HSAdaboost‑DNNs模型进行训练，至模型收敛后训练结束，将训练好的HSAdaboost‑DNNs模型作为图像识别预测模型。本发明可以用更少的网络层对容易识别的图像快速识别，对难以识别的图像需要通过更复杂的子模块，提高了图像分类的精度与速度。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于分层选择性Adaboost-DNNs的图像分类模型建立、分类方法及系统。

背景技术

卷积神经网络(CNN)特别是深度神经网络(DNN)在图像识别方面不需要像传统的图像分类方法一样进行人工特征描述和提取，而是可以自主地学习图像特征，提取更高维、抽象的特征。近几年，2D卷积在图像识别中的应用取得了一些重要的成就。为了实现更好的图像分类性能，已经有很多基于传统机器学习方法和深度学习方法的工作被提出。在2012年，Hinton和Alex提出的AlexNet后，深度神经网络迎来了快速的发展。VGG、GoogleNet、ResNet等广泛应用于许多视觉任务中。

在大多数传统的神经网络中，所有的图像都需要经历相同的分类过程，很少有神经网络考虑到相同模型下不同图像分类困难的差异。而对于人类来说，不同类型的对象通过不同的过程被识别。人们倾向于根据自己的主客观认知或先验知识，对简单、易于识别的对象快速作出判断。然而，对于相对难识别的对象，人们需要更多的分析和理解，并可能进一步进行信息抽象和知识推理。

发明内容

本发明的目的在于提供一种基于分层选择性Adaboost-DNNs的图像分类模型建立、分类方法及系统，用以解决现有技术中的模型无差异识别问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于分层选择性Adaboost-DNNs的图像分类模型建立方法，包括如下步骤：

步骤1：获取图像数据集，标注图像数据集中的每张图像的类别获得J个类别，将图像分为第一训练集和第二训练集，并设定第一训练集中每张图像的初始权重为其中，Q为第一训练集的图像总数且Q为正整数；

步骤2：建立HS Adaboost-DNNs模型，所述的HS Adaboost-DNNs模型包括M个子网络，M为正整数，将图像数据集的J个类别作为标签集，采用第一训练集、第二训练集和标签集对HS Adaboost-DNNs模型进行训练，至模型收敛后训练结束，将训练好的HS Adaboost-DNNs模型作为图像识别预测模型；

其中，所述HS Adaboost-DNNs模型的训练过程包括如下子步骤：

步骤2.1：采用当前第一训练集对第m个子网络采用梯度下降方法进行训练，m∈{1,2,...,M}，至第m个子网络收敛后训练结束，获得训练好的第m个子网络；

对m进行判断：若mM则执行步骤2.2，若m＝M则HS Adaboost-DNNs模型训练结束；

步骤2.2：将当前第二训练集输入训练好的第m个子网络中，输出当前第二训练集中第i张图像的预测类别其中，i∈{1,2,...,I}，I为第二训练集的图像总数；

步骤2.3：根据当前第二训练集第i张图像的预测类别和第二训练集中第i张图像的类别t_i，进行判断：

若第二训练集中的图像满足则当前第二训练集中第i张图像的图像权重采用式1更新为