【技术实现步骤摘要】
结合广度和密集卷积神经网络的图像识别方法、系统、设备及介质
本申请属于机器学习和计算机视觉领域,特别是涉及一种结合广度和密集卷积神经网络的图像识别方法、系统、设备及介质。
技术介绍
随着深度学习技术的飞速发展,卷积神经网络(CNN)已经被广泛的应用于图像识别领域,并且取得了很好的效果。由于卷积神经网络具有权值共享、局部感受野、降采样的特点,使得卷积神经网络能够自动的从图像中提取出有效的特征,避免了传统的图像识别方法中人为定义特征导致某些重要信息损失或者混入多余信息的问题。因此,使用其对图像进行识别能够取得良好的识别准确率并且减少研究人员的工作量。目前,研究者们对卷积神经网络已经进行了大量的研究,研究主要在三个方面进行,即:卷积神经网络的结构改进,卷积神经网络的参数优化改进以及卷积神经网络的应用研究。在卷积神经网络的结构方面,目前已经出现了许多卷积神经网络的变种,例如:AlexNet,VGGNet、InceptionNet等网络,这些网络主要是对卷积神经网络的结构进行了改进,使得网络能够在某些方面有更好的性能。对于卷积神经网络的参数优化方面,目前出现了一些模型裁剪的方法,用于减少网络中的参数量。也有使用粒子群优化算法等优化网络连接的方式,以达到优化参数的目的。在卷积神经网络的应用方面,由于其强大的特征提取能力,已被用于了图像识别、目标检测、脑电识别等领域。然而,对于经典的卷积神经网络,在应用于图像识别时,有着一定的局限性。由于其只有一个卷积核,在提取特征时,只能提取到一个维度的特征,如果图片的字 ...
【技术保护点】
1.一种结合广度和密集卷积神经网络的图像识别方法,其特征在于,包括:/n获取图像数据集,对所述图像数据集进行预处理;/n基于所述图像数据集采用多尺度思想优化训练广度卷积神经网络,利用广度卷积神经网络提取所述图像的多尺度特征,训练广度卷积神经网络的损失函数采用了结合中心损失函数和Softmax损失函数;/n基于所述图像数据集采用跨层密集连接思想优化训练密集卷积神经网络,利用密集卷积神经网络提取所述图像的不同抽象深度的特征,训练密集卷积神经网络的的损失函数采用了结合中心损失函数和Softmax损失函数的方式;/n基于广度卷积神经网络提取的广度特征与密集卷积神经网络提取的不同抽象深度特征训练全连接神经网络得到图像识别模型;/n将待识别图像输入所述图像识别模型,根据输出概率确定待测识别图像的图像类别。/n
【技术特征摘要】
1.一种结合广度和密集卷积神经网络的图像识别方法,其特征在于,包括:
获取图像数据集,对所述图像数据集进行预处理;
基于所述图像数据集采用多尺度思想优化训练广度卷积神经网络,利用广度卷积神经网络提取所述图像的多尺度特征,训练广度卷积神经网络的损失函数采用了结合中心损失函数和Softmax损失函数;
基于所述图像数据集采用跨层密集连接思想优化训练密集卷积神经网络,利用密集卷积神经网络提取所述图像的不同抽象深度的特征,训练密集卷积神经网络的的损失函数采用了结合中心损失函数和Softmax损失函数的方式;
基于广度卷积神经网络提取的广度特征与密集卷积神经网络提取的不同抽象深度特征训练全连接神经网络得到图像识别模型;
将待识别图像输入所述图像识别模型,根据输出概率确定待测识别图像的图像类别。
2.根据权利要求1所述的结合广度和密集卷积神经网络的图像识别方法,其特征在于,所述广度卷积神经网络包括具有多尺度的卷积核,每个通道对应一种尺度的卷积层,第一连接层、第二连接层、第一最大池化层、第二最大池化层、第一全连接层、第二全连接层与输出层;其中,当卷积层为两层且输入通道为三个时,输入图像从第一层卷积层依次通过第一连接层和第一最大池化层输出第一多尺度特征图;所述第一多尺度特征图通过相同结构通道的第二层卷积层第二连接层和第二最大池化层输出第二多尺度特征图;所述第二多尺度特征图依次第一全连接层、第二全连接层输出多尺度特征,利用Softmax分类器输出分类结果。
3.根据权利要求1所述的结合广度和密集卷积神经网络的图像识别方法,其特征在于,所述密集卷积神经网络包括至少四个相同尺度卷积核的卷积层、第一连接层、第二连接层、第三连接层、第一最大池化层、第一全连接层、第二全连接层与输出层,其中,输入图像依次通过第一卷积层、第二卷积层、第一连接层,第三卷积层、第二连接层、第四卷积层、第三连接层;每个连接层连接其前面所有卷积层的输出,这样密集连接可以使得网络提取到更加有效的不同深度特征;所述第三连接层依次池化层、第一全连接层、第二全连接层输出不同深度特征,利用Softmax分类器输出分类结果。
4.根据权利要求2或34述的结合广度和密集卷积神经网络的图像识别方法,其特征在于,所述全连接层之后添加有使用LeakyReLU激活函数的激活层;所述激活层之后添加有Dropout层,所述Dropout层用于随机让部分神经元失活;所述失活神经元的比例为0.5,其中,输入图像的像素填充格式为SAME。结合中心损失函数与Softmax损失函数训练广度卷积神经网络或密集卷积神经网络,其中,结合后的损失函数为:
Loss=SoftmaxLos...
【专利技术属性】
技术研发人员:彭德光,代雪玲,
申请(专利权)人:重庆兆光科技股份有限公司,
类型:发明
国别省市:重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。