[发明专利]一种基于群智能优化的图像分类卷积神经网络设计方法

说明书

本发明公开了一种基于群智能优化的图像分类卷积神经网络设计方法，首先对图像数据集进行数据增强和数据预处理，而后构建神经网络搜索空间；通过随机初始化粒子种群，使用特定的解码方案将粒子解码为候选卷积神经网络，并采用随机数据集对候选神经网络网络进行评估；选择出个体最优和全局最优个体更新种群，直到迭代完成，确定最优粒子个体再次作为候选网络，并引入不同的优化器和学习率生成下一代种群，避免网络陷入局部极小值。本发明在图像分类任务中获得的模型与经验设计模型和其他自动设计方法获得模型相比，分类准确率和模型大小具有较大的优势和竞争力。

技术领域

本发明属于图像分类技术领域，具体涉及一种基于群智能优化的图像分类卷积神经网络设计方法。

背景技术

图像分类是计算机视觉领域中一类重要问题，受到学术界和工业界的广泛关注。卷积神经网络(Convolutional Neural Networks，CNN)具有权值共享、性能优、鲁棒性强等特点，在计算机视觉任务中具有显著优势。当前，大多现有网络是由专家根据过往经验及不断试错设计而来，其设计过程复杂且耗时。为解决卷积神经网络设计困难的问题，谷歌提出了自动化深度学习的概念，并已成为当前研究热点，受到广泛关注。

广义的演化计算是一类基于种群的元启发式优化方法，用于解决复杂的优化问题，其包括进化计算和群智能。文献1(Xie L,Yuille A.Genetic cnn[A].Proceedings ofthe IEEE international conference on computer vision[C].Venice,Italy：IEEE,2017.1379-1388.)使用固定长度的二进制字符串编码神经网络结构，通过标准遗传操作选择出更有竞争力的后代种群。文献2(Real E,Moore S,Selle A,et al.Large-scaleevolution of image classifiers[A].International Conference on MachineLearning[C].Sydney,Australia：PMLR,2017.2902-2911.)提出了一种大规模进化方法，该方法对于计算资源要求较高。文献3(Wang C,Xu C,Yao X,et al.Evolutionarygenerative adversarial networks[J].IEEE Transactions on EvolutionaryComputation,2019,23(6):921-934.)利用遗传算法和语法进化两种方式来搜索神经网络的结构、参数和学习规则。该方法编码方式简单灵活，但只在MNIST数据集上进行了实验。

当前，基于演化计算的模型架构搜索基本思想是将演化计算方法用于优化模型结构搜索而对演化计算本身并不做过多改进研究。上述方法均是将演化计算用于CNN设计，存在如下问题。第一，针对特定任务，最优的CNN深度是未知的，如何约束搜索空间，以实现可变长神经网络设计值得探讨。第二，评估单个个体性能十分耗时，如何在有限计算资源下加速评估过程是亟待解决的问题。第三，仅从单一任务并不能验证模型搜索方法的好坏，如何评估搜索方法性能值得进一步研究。

发明内容

为解决前述问题，本发明并提供了一种基于群智能优化的图像分类卷积神经网络设计方法，与传统人工设计模型和其他自动搜索方法获得模型相比，本发明方法在图像分类准确率和模型参数方面得到了提升。

本发明解决技术问题具体实现方案如下所示：

一种基于群智能优化的图像分类卷积神经网络设计方法，其特征在于，包括以下步骤：

S1：对输入图片数据集进行预处理，后将数据集划分为训练数据集和测试数据集，其中训练数据集划分为训练集和验证集；

S2：设计卷积神经网络搜索空间，并引入禁用层，采用可变长编码映射方法对卷积神经网络进行编码，当编码值属于禁用层范围时，该层在解码过程中被移除；