[发明专利]一种深度学习图像分类方法

说明书

本发明公开了一种深度学习图像分类方法，包括以下步骤：S1、构建用于图像分类的训练集；S2、采用训练集训练图像分类模型，得到训练完成的图像分类模型；S3、采用训练完成的图像分类模型对待分类图像进行处理，得到待分类图像的类型；本发明设计了计算复杂度低和受噪声影响小的图像分类模型，并在训练时，通过反向传播对图像分类模型进行调节，提高了图像分类模型分类的精度。

技术领域

本发明涉及图像分类技术领域，具体涉及一种深度学习图像分类方法。

背景技术

图像分类是目前深度学习主要的应用领域之一，它对输入的图像进行识别并判断其属于哪一类。而这对医学领域有极其重要的意义，比如对某种医学影像进行分析，判断就诊者是否患有某种疾病。但是，要做出精准判断并非是一个容易的任务，目前高性能的深度学习分类网络使用大量高清晰度的图像作为训练集对深度学习网络进行训练，并人为在其中加入不同的噪声以提高网络的鲁棒性能，或者使用对抗生成网络的方式进行训练。但是，目前的深度学习分类网络仍然面临如下问题：

第一：无法简单地通过梯度回传算法训练使用全S型激活函数的深度学习网络。根据现有的技术方案，要使用梯度回传算法训练全S型激活函数网络的方法只有批归一化方法，而该方法较为繁琐，无论在训练阶段还是使用阶段，每层都会增加批归一化操作，加大了训练难度和计算难度，不利用简化模型。

第二：深度学习分类网络受实际工作环境的噪声影响很大，导致实际分类精度大大下降。现实中噪声的范围和复杂度远高于训练仿真时用到的噪声。例如，在拍摄医疗影像时，被拍摄者轻微的晃动，都可能造成图像的重影等现象。

第三：泛化能力不足。当实际需要分类的图像与深度学习网络的训练集差异较大时，分类效果会显著下降，深度学习网络需要重新训练。虽然可以使用数据增强的手段增大训练集以提高泛化能力，但实际使用中提高的性能有限，并且，随着时间的推移，实际工作中需要分类的图像会与训练集差别越来越大。例如，随着技术的进步，摄影摄像器材的分辨率会持续提高，使得已经训练好的模型不再适应。

发明内容

针对现有技术中的上述不足，本发明提供的一种深度学习图像分类方法解决了以下问题：

1、全S型激活函数的梯度消失的问题。

2、受实际工作环境的噪声影响，导致实际分类精度不高的问题；

3、泛化能力不足的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种深度学习图像分类方法，包括以下步骤：

S1、构建用于图像分类的训练集；

S2、采用训练集训练图像分类模型，得到训练完成的图像分类模型；

S3、采用训练完成的图像分类模型对待分类图像进行处理，得到待分类图像的类型。

进一步地，所述步骤S2中图像分类模型包括依次连接的6层神经网络，前5层神经网络为全连接层，第6层神经网络为softmax层。

进一步地，所述步骤S2包括以下分步骤：

S21、设置迭代次数k的初始值为1；

S22、将训练集中的第k张图像输入到图像分类模型中，得到图像分类模型第k次迭代输出的分类概率；

S23、根据图像分类模型第k次迭代输出的分类概率和对应的期望概率，计算损失值；

S24、判断损失值是否小于阈值，若是，则得到训练完成的图像分类模型，若否，则跳转至步骤S25；

S25、根据图像分类模型第k次迭代输出的分类概率和对应的期望概率，计算概率误差；