结合广度和密集卷积神经网络的图像识别方法、系统、设备及介质技术方案

本申请提供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，包括：利用多尺度思想优化广度卷积神经网络以提取图像的多尺度特征；利用跨层密集连接思想优化密集卷积神经网络以提取图像的不同抽象深度的特征；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构建的全连接神经网络；将以上网络训练好后，便可将待识别图像输入图像识别模型，根据输出概率确定待测识别图像的图像类别。本申请的广度卷积神经网络具有多种尺度卷积核，密集卷积神经网络具有跨层连接的结构，搭建全连接神经网络融合两个网络提取的广度特征与不同抽象深度特征，提高了图像分类的准确率。

【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，如果图片的字的大小不同时，这样提取到的特征就有可能不能充分的表示原图像的信息。另外，经典的卷积神经网络只能利用上一层的输出作为下一层的输入，这样就不能保证最后提取到的特征包含了不同深度的特征。因此，采用上述方式固定了卷积神经网络的感受野，难以保证图像识别精度。
技术实现思路
鉴于以上所述现有技术的缺点，本申请的目的在于提供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，用于解决现有结合广度和密集卷积神经网络的图像识别方法因固定了卷积神经网络的感受野，导致图像识别精度不高和对于不同深度的抽象信息利用不完全的问题。为实现上述目的及其他相关目的，本申请提供一种结合广度和密集卷积神经网络的图像识别方法，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。本申请的目的在于提供一种结合广度和密集卷积神经网络的图像识别系统，包括：数据获取模块，用于获取图像数据集，对所述图像数据集进行预处理；第一训练模块，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；第二训练模块，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；第三训练模块，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；图像识别模块，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。本申请另一目的在于提供一种电子设备，包括：一个或多个处理装置；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置执行所述基于广度卷积神经网络的图像识别方法。本申请还一目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行所述结合广度和密集卷积神经网络的图像识别方法。如上所述，本申请的结合广度和密集基卷积神经网络的图像识别方法、系统、设备及介质，具有以下有益效果：本申请的广度卷积神经网络具有多种尺度卷积核，融合各个尺长度特征后进行分类，解决了重要特征大小不一致的问题，使得提取的广度特征更有效，提高了分类准确率；同时，采用密集卷积神经网络提取不同深度的信息，将所有卷积层输出融合拼接作为输入，提高了特征提取的完整性，搭建全连接神经网络融合不同深度特征与广度特征，进一步提高了特征分类的准确率。附图说明图1显示为本申请提供的一种结合广度和密集卷积神经网络的图像识别方法总体概念图；图2显示为本申请提供的一种结合广度和密集卷积神经网络的图像识别方法流程图；图3显示为本申请提供的一种广度(多尺度)卷积神经网络的结构图。图4显示为本申请提供的一种密集卷积神经网络的结构图。图5显示为本申请提供的一种融合特征分类的全连接神经网络的结构图；图6显示为本申请提供的一种结合广度和密集卷积神经网络的图像识别系统结构框图；图7显示为本申请提供的一种电子设备的结构示意图。具体实施方式以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。计算机视觉技术(ComputerVision，CV)计算机视觉是一门研究如何使机器“看”的科本文档来自技高网...

【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