[发明专利]一种基于迁移学习的多尺度特征图像分类方法

说明书

本发明涉及多尺度特征图像分类技术领域，涉及一种基于迁移学习的多尺度特征图像分类方法，包括以下步骤：S1、构建数据集；包括源域和目标域；S2、使用多尺度特征提取网络在源域上训练模型对特征进行提取；S3、将提取的特征送入分类网络进行分类训练；S4、进行迁移学习下的相同任务不同域的数据集分类训练。本发明在一个模型训练任务中针对某种类型数据获得的关系可以轻松地应用于同一领域的不同问题。

技术领域

本发明涉及多尺度特征图像分类技术领域，具体地说，涉及一种基于迁移学习的多尺度特征图像分类方法。

背景技术

目前，使用深度学习技术解决问题的过程中，最常见的障碍在于，因为模型有大量的参数需要训练，因此需要海量训练数据作支撑。而在面对某一领域的具体问题时，通常可能无法得到构建模型所需规模的数据。

发明内容

本发明的内容是提供一种基于迁移学习的多尺度特征图像分类方法，其可以轻松地应用于同一领域的不同问题。

根据本发明的一种基于迁移学习的多尺度特征图像分类方法，其包括以下步骤：

S1、构建数据集；包括源域和目标域；

S2、使用多尺度特征提取网络在源域上训练模型对特征进行提取；

S3、将提取的特征送入分类网络进行分类训练；

S4、进行迁移学习下的相同任务不同域的数据集分类训练。

作为优选，步骤S1中，使用MNIST数据集作为源域；构造MNIST-M数据集作为目标域，MNIST-M数据集由MNIST数字与BSDS500数据集中的随机色块混合而成，再每一类选取10个样本，构建MNIST-M下的小样本数据集，再将源域和目标域数据集分为训练集和测试集。

作为优选，步骤S1后，进行图像预处理：对源域数据集进行旋转，对图像大小进行调节，使其符合网络输入；调节图像的色彩饱和明暗等预处理操作；对目标域数据图像大小进行调节，和源域大小匹配。

作为优选，步骤S2中，多尺度特征提取网络分为三个分支，第一个分支包含12个卷积核大小为3*3的卷积层，12个归一化层，12个激活层，其中第7-10个卷积为空洞卷积；第二个分支包含12个卷积核大小为5*5的卷积层，12个归一化层，12个激活层，其中第7-10个卷积为空洞卷积；第三个分支包含12个卷积核大小为7*7的卷积层，12个归一化层，12个激活层，其中第7-10个卷积为空洞卷积；网络训练输入为源域的MNIST图像和图像对应的标签，输入图像首先进入特征提取网络，三个分支同时对图像进行不同尺度特征提取，然后对不同尺度特征进行插值，融合，最后得到的特征：

其中F_concatenate代表多尺度特征融合后的总体特征，F_i*i(i＝3,5,7)代表不同尺度下网络提取的特征，代表将不同尺度特征在第一维度上进行合并。

作为优选，步骤S3中，分类网络由三层卷积层以及三层全连接层组成；网络训练输入为F_concatenate，结合每张图片的标签进行训练；采用Adam对分类网络，特征提取网络的参数进行联合更新；使用交叉熵损失函数作为网络的分类损失函数：

其中，N代表样本个数，y_s,i代表来自源域样本i的标签，正类为1，负类为0，p_s,i为样本i被预测为正的概率；

使用源域数据训练模型，直到损失函数不再下降，并且使用源域测试集对多尺度特征提取网络以及分类网络进行测试。