[发明专利]基于参数高效的深度残差网络模型的图像分类方法

摘要

本发明公布了一种基于参数高效的深度残差网络模型的图像分类方法，根据网络的深度、宽度、多样性和基数，建立具有参数高效性的改进的网络模型，用于高效地进行图像分类识别；包括：将图像数据分为训练样本和测试样本；对训练样本图像进行预处理；构建具有参数高效性的深度残差网络模型，并进行模型训练：构建得到的网络模型包括深度金字塔残差网络模型、嵌套网络模型、三角形网络模型；将经过预处理的训练样本对网络模型分别进行训练，得到训练好的网络模型；对测试样本进行识别，分别得到预测的分类标签；由此实现图像分类识别。

主权项

一种基于参数高效的深度残差网络模型的图像分类方法，根据网络的深度、宽度、多样性和基数，建立具有参数高效性的改进的网络模型，用于高效地进行图像分类识别；包括如下步骤：1)将图像数据分为训练样本和测试样本；2)对训练样本图像进行预处理；3)构建具有参数高效性的深度残差网络模型，并进行模型训练：构建得到的网络模型包括深度金字塔残差网络模型、嵌套网络模型、三角形网络模型；将经过预处理的训练样本对上述网络模型分别进行训练，得到训练好的网络模型；3A)构造密集连接的深度金字塔残差网络DensePyramids：具体在深度金字塔残差网络PyramidNet中引入密集连接DenseNet，在任意两个残差模块之间引入直通连接；或在密集连接的深度残差网络DenseNet中逐渐增加每一层的输出特征图维度；由此构造得到密集连接的深度金字塔残差网络，加强特征传递和特征复用，避免梯度消失问题并显著减少参数；3B)构造嵌套网络NestNet并训练；构造嵌套网络包括如下步骤：3B1)基于多层感知机MLP结构，在宿主网络的每一个节点中嵌入多个相同或者不同的小网络，称为嵌入网络；或堆叠多个网络模块；3B2)可在不同的宿主网络节点中嵌套不同的嵌入网络，形成嵌套网络，生成高性能的网络结构；3B3)嵌套网络中每一个节点的输出为特征图，节点变换操作由卷积模块完成，每一层节点的输出的特征图都作为下一层节点的输入；3C)构造三角形网络TriangleNet并训练：在构造嵌套网络过程中，当在宿主网络的节点里嵌入不同深度的嵌入网络即可生成三角形网络；通过嵌入不同深度的嵌入网络，从输入到输出之间的每一层都是三角形的形状，并且三角形的大小逐层减小，整个网络看上去也是一个三角形的形状，形成三角形网络；4)利用步骤3)构建并训练好的具有参数高效性的深度残差网络模型，对测试样本进行识别，分别得到预测的分类标签；由此实现图像分类识别。