申请/专利权人：西安电子科技大学

申请日：2021-09-08

公开（公告）日：2024-04-19

公开（公告）号：CN113807363B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/44;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2022.01.04#实质审查的生效;2021.12.17#公开

摘要：本发明公开了一种基于轻量化残差网络的图像分类方法，主要解决现有图像分类方法的网络模型参数数量过多，图像特征信息利用不充分的问题，其实现方案是：获取训练样本集和测试样本集；对传统的残差单元进行更改，建立五个不同的轻量化单元块，并将其与全连接层、分类器依次级联，构成的轻量化残差网络图像分类模型；利用训练样本集采用反向传播算法对构建的图像分类模型进行训练；将测试样本集输入到训练好的轻量化残差网络图像分类模型中，得到分类结果。本发明不仅在图像分类任务中能够得到较高的图像分类准确率，而且减少了网络模型参数量，提高了网络的运行速度，可用于人脸、交通场景、医学图像的识别，图像检索和相册自动归类。

主权项：1.一种基于轻量化残差网络的图像分类方法，其特征在于，包括如下：1获取训练样本集R1和测试样本集E1：1a从网上下载已经划分为训练样本和测试样本的K幅RGB图像数据集，每种样本包含T个目标类别幅RGB图像，其中t为类别标签，t∈{1,2...,T}，r为样本类型，取值为0表示训练样本，取值为1表示测试样本，样本数随着样本类别的不同而不同，T≥10，K≥10000，1b将数据集中的训练样本设置为训练样本集R1，测试样本设置为测试样本集E1；2构建轻量化残差网络图像分类模型：2a搭建由一层卷积层和一层最大池化层顺次叠加构成的第一单元块Stage1；2b将传统残差单元构建模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该构建模块的快捷连接上增加一个卷积核为3，步长为2的平均池化层，得到第二单元块Stage2；2c将传统残差单元构建模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该构建模块的快捷连接上增加一个卷积核为3*3，步长为2的平均池化层；最后在该构建模块的末尾添加一个大小为3*3、步长为2的卷积层，得到第三单元块Stage3；2d将传统残差单元瓶颈模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该瓶颈模块的快捷连接上增加一个卷积核为3*3，步长为2的平均池化层，得到第四单元块Stage4；2e将传统残差单元瓶颈模块中的常规卷积替换为分组卷积，并将其卷积核为3*3的深度可分离卷积操作的步长由1改为2；再在该瓶颈模块的快捷连接上增加一个卷积核为3*3，步长为2的平均池化层；最后在该瓶颈模块的末尾添加一个大小为3*3、步长为2的卷积层，得到第五单元块Stage5；2f将上述得到的这五个单元块Stage1、Stage2、Stage3、Stage4、Stage5依次连接使之成为一个单元块序列，再在该单元块序列后级联一个全连接层和一个分类器，得到轻量化残差网络图像分类模型；3将训练样本集R1输入到轻量化残差网络图像分类模型，利用反向传播算法进行训练，得到训练好的轻量化残差网络图像分类模型；4将测试样本集E1输入到训练好的轻量化残差网络图像分类模型中，得到E1中每一张RGB测试图像的类别标签。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于轻量化残差网络的图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD