[发明专利]一种基于进化多目标神经网络架构构造的图像分类方法

权利要求书

1.一种基于进化多目标神经网络架构构造的图像分类方法，其特征在于，包括以下步骤：

构建用于图像分类的神经网络，包括：

构建新冠肺炎CT图像数据集，包括新冠肺炎阳性CT图像和新冠肺炎阴性CT图像两类，并对其进行训练集和测试集的划分；

设置基于搜索结构单元Cell的搜索空间，通过搜索单元Cell来替代搜索整个神经网络结构；通过搜索得到满足预设要求的Cell，对其进行堆叠，并结合预设的神经网络参数构成完整的神经网络；

利用基于分解的自适应混合多目标进化算法的神经网络架构搜索方法，对步所述神经网络的网络参数、架构，以分类错误率和计算复杂度两个目标进行双层优化，得到优化后的神经网络；

对优化后的神经网络，利用所述训练集进行训练，并通过测试集测试，选取分类错误率最小的神经网络架构作为新冠肺炎CT图像分类模型；

获取待分类的CT图像，将CT图像输入到新冠肺炎CT图像分类模型中，得到CT图像的分类结果。

2.根据权利要求1所述的基于进化多目标神经网络架构构造的图像分类方法，其特征在于，所述设置基于搜索结构单元Cell的搜索空间，通过搜索单元Cell来替代搜索整个神经网络结构；通过搜索得到满足预设要求的Cell，对其进行堆叠，并结合预设的神经网络参数构成完整的神经网络，包括：

设置神经网络的参数，包括神经网络的层数layers，每个节点的通道数channel；

定义Cell单元，Cell由输入节点，中间节点，输出节点和连接这些节点的边构成；最终通过搜索得到两种Cell的结构，即输入与输出的特征图尺寸保持一致的Cell以及输出的特征图尺寸减小一半的Cell，分别记为Normal-Cell和Reduce-Cell；

每个Cell有两个输入节点和一个输出节点，Cell中的边代表的是操作operation；

把由搜索得到的两种Cell组成的多个Cell一个接一个前后相连，堆叠成一个完整网络，在网络的三分之一处和三分之二处是Reduce-Cell，其它是Normal-Cell，所述层数layers用于控制共有多少个Cell连接。

3.根据权利要求2所述的基于进化多目标神经网络架构构造的图像分类方法，其特征在于，所述操作operation包括：3×3深度可分离卷积、5×5深度可分离卷积、3×3空洞深度可分离卷积、5×5空洞深度可分离卷积、3×3极大值池化、3×3均值池化、7×7深度可分离卷积、0操作、1×7,7×1卷积，共9种。

4.根据权利要求1所述的基于进化多目标神经网络架构构造的图像分类方法，其特征在于，所述基于分解的自适应混合多目标进化算法的神经网络架构搜索方法为：通过构建一个双层优化模型，对神经网络架构、参数进行搜索；其中，所述双层优化模型为：

上层以最小化分类错误率Error和计算复杂度Complexity为目标优化神经网络架构，即为搜索网络架构的过程；下层在上层优化得到的架构中优化神经网络参数，即为对搜索到的网络架构进行训练的过程；

在上层优化中，对每个神经网络架构，输入新冠肺炎CT数据集的训练集，进行训练之后测试分类准确性；双层优化模型表达式如下：

其中，λ表示神经网络架构，λ^*表示在进化算法搜索网络结构过程中目标值最优的网络架构，ω表示神经网络参数中的权重weight和偏置bias；F_search表示上层多目标优化问题，F_train表示下层优化问题；

上层的多目标优化问题表达式如下：

minF_search(λ,ω)＝(f₁(λ,ω),f₂(λ,ω))

其中，f₁(λ,ω)表示目标1：分类错误率Error，f₂(λ,ω)表示目标2：计算复杂度Complexity；

分类错误率(Error)表示如下：

Error代表分类错误率，Accuracy代表分类准确率，Correct代表分类正确的图片数量，Total代表分类的图片总数。