CN108647741A - 一种基于迁移学习的图像分类方法和系统 - Google Patents

一种基于迁移学习的图像分类方法和系统 Download PDF

Info

Publication number
CN108647741A
CN108647741A CN201810478726.4A CN201810478726A CN108647741A CN 108647741 A CN108647741 A CN 108647741A CN 201810478726 A CN201810478726 A CN 201810478726A CN 108647741 A CN108647741 A CN 108647741A
Authority
CN
China
Prior art keywords
image
training
transfer learning
block
training set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810478726.4A
Other languages
English (en)
Inventor
王云艳
罗冷坤
徐超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810478726.4A priority Critical patent/CN108647741A/zh
Publication of CN108647741A publication Critical patent/CN108647741A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于迁移学习的图像分类算法方法和系统，包括：步骤1，通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B；步骤2，构造迁移学习网络；步骤3，将步骤1分类的训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；步骤4，将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。本发明克服了深度学习对普通RGB图像训练时需要大样本数据集作为输入的要求，避免了训练过程中过拟合和局部最优解问题，相比传统分类算法，一定程度上提高了分类精度。

Description

一种基于迁移学习的图像分类方法和系统
技术领域
本发明属于图像分类技术领域，适用于待分类数据所需训练样本较少或只有特征相近样本的分类场景，可用于目标识别、目标检索、数据库管理等领域。
背景技术
近些年，深度学习算法已经广泛应用于传统RGB图像分类以及特征难以提取的医学图像和合成孔径雷达(SAR)图像领域。随着科技水平的提高，新的图像数据信息在被人类近一步了解，导致传统的图像数据集存在失效可能性和新的图像数据集数量有限。研究如何在传统图像数据集和新采集的图像数据间架起桥梁对于实现图像的分类和识别具有重要意义。
当迁移学习算法逐步走进研究者的视野后，这些问题得到了有效的改善。一些学者对2015年之前的迁移学习算法发展史作了一个详细的总结，包括迁移学习的应用场景和分类；考虑到迁移学习算法在机器学习算法上的应用问题，将adaboost算法、多视角学习及多源学习与迁移学习相结合，但该算法并没有在图像处理方面得到应用；近些年，神经网络在图像处理上掀起浪潮，研究者们提出了对DNN(Deep Neural Networks)参数进行迁移的图像分类算法，至此，迁移学习被更多的深度学习研究者重视；在卷积神经网络被广泛应用于图像分类的背景下，为了获取较少训练的时间，对CNN(Convolutional NeuralNetworks)参数引入到迁移学习网络，但是仅限于常规图像；更多学者希望将这种算法引入到一些数据量有限且特征复杂的数据集中，将DNN(Deep convolutional neu-ralnetworks)迁移网络运用到SAR(合成孔径雷达)图像目标识别中，在高纬数据特征分类中取得了显著成果；另一方面迁移网络被引入到高分影像场景分类中，有效地提高了分类精度；针对医学核磁共振图像也是一种高维数据特征，提出了结合DNN迁移网络用于肿瘤分类；近些年提出了将CNN迁移网络引用于乳腺肿瘤诊断系统中，充分扩展了迁移学习的应用领域。
传统的机器学习中，通过HOG(方向梯度直方图)、LBP(局部二值模式)、Gabor(小波)等方式提取图像特征，然后导入分类器SVM(支持向量机)、KNN(k近邻)、随机森林等作分类，分类精度远远不及深度学习网络模型。但是深度学习算法中，数据量过少导入复杂模型后会出现过拟合和局部最优解问题。
发明内容
本发明的目的是在于针对上述分类方法中的不足，提出了一种基于卷积神经网络(CNN)迁移学习的算法，结合了图像HOG特征提取和支持向量机(SVM)预分类方法。较好地解决了了深度学习对训练集数量的要求，避免了过拟合和局部最优解产生，同时在一定程度上提高了分类精度、减少了分类时间。
本发明的技术方案为一种基于卷积神经网络的迁移学习分类方法，包括如下步骤：
步骤1，通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B，包括如下子步骤，
步骤1a，提取训练集A的HOG特征；
步骤1b，将训练集A的HOG特征导入支持向量机训练得到SVM训练模型，同时制作训练集A中各图像对应的标签；
步骤1c，利用步骤1a的原理提取待制作图像集合的HOG特征，然后使用SVM训练模型进行分类得到训练集B；
步骤2，构造迁移学习网络，网络结构为：输入层-卷积层1-激活层1-池化层1-卷积层2-激活层2-池化层2-卷积层3-激活层3-卷积层4-激活层4-卷积层5-激活层5-池化层5-全连接层6-全连接层7-softmax层-classout层；
步骤3，将步骤1分类的训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；
步骤4，将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。
进一步的，步骤1a中提取训练集A的HOG特征的实现方式如下，
a1，将数据集A中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；
a2，计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，
Gx(x，y)＝H(x+1，y)-H(x-1，y) (1-1)
Gy(x，y)＝H(x，y+1)-H(x，y-1) (1-2)
式中x,y为像素点坐标，Gx(x，y)、Gy(x，y)是二维梯度值，G(x，y)是整体梯度，α(x，y)是梯度的方向，H(x，y)是cells中的二维坐标值；
a3，统计每个cell梯度直方图，利用检测窗口来划分block块，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；
a4，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量供分类使用。
进一步的，步骤2中迁移学习网络的全连接层设置Weigh tLearn Rate Factor(权值学习因子)和Bias Learn Rate Factor(基础学习因子)为20。
本发明还提供一种基于迁移学习的图像分类系统，包括如下模块：
迁移学习网络训练集制作模块，用于通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B，包括如下子模块，
HOG特征提取子模块，用于提取训练集A的HOG特征；
SVM训练子模块，用于将训练集A的HOG特征导入支持向量机训练得到SVM训练模型，同时制作训练集A中各图像对应的标签；
迁移学习网络训练集获取子模块，用于提取待制作图像集合的HOG特征，然后使用SVM训练模型进行分类得到训练集B；
迁移学习网络构造模块，用于构造迁移学习网络，网络结构为：输入层-卷积层1-激活层1-池化层1-卷积层2-激活层2-池化层2-卷积层3-激活层3-卷积层4-激活层4-卷积层5-激活层5-池化层5-全连接层6-全连接层7-softmax层-classout层；
迁移学习网络训练模块，用于将训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；
图像分类模块，用于将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。
进一步的，HOG特征提取子模块包括以下单元，
图像预处理单元，用于将数据集A中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；
梯度计算单元，用于计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，
Gx(x，y)＝H(x+1，y)-H(x-1，y) (1-1)
Gy(x，y)＝H(x，y+1)-H(x，y-1) (1-2)
式中x,y为像素点坐标，Gx(x，y)、Gy(x，y)是二维梯度值，G(x，y)是整体梯度，α(x，y)是梯度的方向，H(x，y)是cells中的二维坐标值；
块划分单元，用于统计每个cell梯度直方图，利用检测窗口来划分块block，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；
HOG特征提取单元，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量供分类使用。
进一步的，迁移学习网络构造模块中全连接层设置Weigh tLearn Rate Factor(权值学习因子)和Bias Learn Rate Factor(基础学习因子)为20。
本发明与传统的图像分类方法比较，具有以下优点：
1、本发明克服了深度学习对普通RGB图像训练时需要大样本数据集作为输入的要求，避免了训练过程中过拟合和局部最优解问题。
2、本发明结合了HOG特征提取和SVM分类器这一经典的分类算法，利用相似训练集A来构造迁移学习所需的训练集B。
3、本发明将深度学习应用到训练集较少的情况下，相比传统分类算法，一定程度上提高了分类精度。
实验结果表明，本发明能够有效地解决普通RGB的分类问题，获得了比传统分类算法更高精度的分类结果，可进一步应用于训练集较少且分类更多的分类场景下。
附图说明
图1是本发明HOG特征提取过程图；
图2是本发明训练样本HOG特征图；
图3是本发明支持向量机过程图；
图4是本发明迁移学习网络图；
图5是本发明测试样本中随机抽取10个分类结果图；
图6是本发明迁移学习网络训练学习率和损失率分析图。
具体实施方式
下面将结合附图对本发明技术方案作进一步说明。
步骤1：通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B。
步骤1a:如图1过程所示，提取训练集A的HOG特征，首先对RGB图像进行灰度转换，，采用Gamma校正法对输入图像进行归一化处理，再利用一组公式(1)计算图像的每个像素的梯度(大小和方向)。然后将图像划分为6*6的cells，并统计每个cell的梯度直方图，利用检测窗口来划分block块，检测出3*3个cell组成一个block，如果划分存在不够的情况下就会出现重叠，上述式中x,y为像素点坐标，并统计每个cell的梯度直方图，将每3*3个cell组成一个block，将block内的所有cell特征向量串联起来便得到该block的HOG特征，最后一步就是将检测窗口中所有重叠的块进行对比度归一化处理HOG，并将它们结合成最终的特征向量供分类使用。最终提取特征结果如图2所示。式中x,y为像素点坐标，Gx(x，y)、Gy(x，y)是二维梯度值，G(x，y)是整体梯度，α(x，y)是梯度的方向，H(x，y)是cells中的二维坐标值。
Gx(x，y)＝H(x+1，y)-H(x-1，y) (1-1)
Gy(x，y)＝H(x，y+1)-H(x，y-1) (1-2)
步骤1b:将训练集A的HOG特征导入支持向量机训练得到训练模型，同时制作训练集A中各图像对应的标签。
支持向量机网络结构如图3所示，为了求解SVM的最优分类超平面，其实就是求解一个二次规划问题，经典求解方法为Lagrange乘子法，Lagrange方程如公式(2)，式中W为系数向量，b为常数。对W和b求偏导得到式(3),式中Xi和Xj为图像像素点坐标，求解该方程得到向量W*，结果如式(4)所示，最优a*由约束条件式(5)所确定，a*和W*可由二次规划算法求得，然后选取一个支持向量Xi，可求得b*的值，如公式(6)所示，最终得到最优判别函数为式(7)所示。式中N由每张图像大小决定，xiyi、xjyj表示图像的二维坐标，aiaj为调参系数。
a*[yi[(<W*·Xi>+b*)-1]]＝0 (5)
b*＝yi-<W*·Xi> (6)
步骤1c:利用步骤1a的原理提取待制作图像集合的HOG特征，然后使用训练SVM模型进行分类得到训练集B。
步骤2：构造迁移学习网络。如图4所示，迁移学习网络结构为：输入层-卷积层1-激活层1-池化层1-卷积层2-激活层2-池化层2-卷积层3-激活层3-卷积层4-激活层4-卷积层5-激活层5-池化层5-全连接层6-全连接层7-softmax层-classout层，原本的CNN网络结构通过一系列卷积池化过程得到理想权值，利用理想权值来进行特征降维，最后利用sofemax分类器来对特征分类，迁移网络中全连接层设置WeightLearnRateFactor(权值学习因子)和BiasLearnRateFactor(基础学习因子)为20。
步骤3：将步骤1分类的训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型。
步骤4，将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。
本发明实施例还提供一种基于迁移学习的图像分类系统，包括如下模块：
迁移学习网络训练集制作模块，用于通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B，包括如下子模块，
HOG特征提取子模块，用于提取训练集A的HOG特征；
SVM训练子模块，用于将训练集A的HOG特征导入支持向量机训练得到SVM训练模型，同时制作训练集A中各图像对应的标签；
迁移学习网络训练集获取子模块，用于提取待制作图像集合的HOG特征，然后使用SVM训练模型进行分类得到训练集B；
迁移学习网络构造模块，用于构造迁移学习网络，网络结构为：输入层-卷积层1-激活层1-池化层1-卷积层2-激活层2-池化层2-卷积层3-激活层3-卷积层4-激活层4-卷积层5-激活层5-池化层5-全连接层6-全连接层7-softmax层-classout层；迁移学习网络构造模块中全连接层设置Weigh tLearn Rate Factor(权值学习因子)和Bias Learn RateFactor(基础学习因子)为20。
迁移学习网络训练模块，用于将训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；
图像分类模块，用于将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。
其中，HOG特征提取子模块包括以下单元，
图像预处理单元，用于将数据集A中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；
梯度计算单元，用于计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，
Gx(x，y)＝H(x+1，y)-H(x-1，y) (1-1)
Gy(x，y)＝H(x，y+1)-H(x，y-1) (1-2)
式中x,y为像素点坐标，Gx(x，y)、Gy(x，y)是二维梯度值，G(x，y)是整体梯度，α(x，y)是梯度的方向，H(x，y)是cells中的二维坐标值；
块划分单元，用于统计每个cell梯度直方图，利用检测窗口来划分块block，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；
HOG特征提取单元，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量供分类使用。
本发明的效果可以通过以下实验来进行验证：
1.实验条件
在CPU为i7-6700HQ，内存16G，GPU为NVIDIA1080，WINDOWS 10系统上使用Matlab2017b、VS2013和caffe框架进行实验。
2.实验内容
实验场景假设为现采集到50张某种特殊图像数据待分类，但相似属性的图像数据量有限，此时引用对相似属性大数据集训练模型参数迁移得到的迁移学习模型。针对本场景目的对50张随机采集的5类样本进行分类，网站收集相似属性待分类val数据集100张任意尺寸RGB图像。
3.实验参数设置
提取HOG特征时，因为提取图像为256*256尺寸，所以每次分割的HOG cell大小设置为[8,8]，如需捕获大尺度空间信息可增大单元尺寸；为了使单元局部亮度变换适中，Block设置为[2,2]大小；为了保证提取时间较短，HOG特征长度适中，NumBins(方向直方图分段)设置为9；方向直方图中所取方向的范围为[-180,180]。支持向量机本是一个二值分类器，多分类方法有三种：OVR SVMs(一对多)、OVO SVMs(一对一)、层次支持向量机，本实验采用一对一的方法，即在任意两类样本之间设计一个SVM，当对一个未知样本进行分类时，最后被分类到某一类的次数最大的类别即为该未知样本类别。
迁移网络最后三层网络中全连接层设置WeightLearnRateFactor(权值学习因子)和BiasLearnRateFactor(基础学习因子)为20，为了提高训练速度，训练相关参数设置如表1所示。
表1迁移网络控制参数
本实验网络中池化层采用最大池化(max-pooling)的方法，即对邻域内特征点取最大特征提取的误差主要来自邻域大小受限造成的估计值方差增大和卷积层参数误差造成估计均值的偏移。一般来说，mean-pooling能减小第一种误差，更多的保留图像的背景信息，max-pooling能减小第二种误差，更多的保留纹理信息，所以迁移网络中选用max-pooling。
4.实验结果
利用本发明Alexnet迁移网络模型与其余10组分类方式对本组实验数据进行分类得到分类结果如表2所示。从表中可见，对数据进行传统的HOG、LBP、小波特征提取后导入SVM、K近邻、随机森林这三类分类器中进行分类，虽然时间上比较快，但是分类精度并未达到理想要求；另一方面，如果引入近些年的深度学习网络，耗时间长，需要样本数据量极大，导致本实验中出现过拟合现象。图6展示了迁移网络训练过程中每张图片训练过后损失率和学习率的波动，从图中可以看出，其波动率约为1％左右，表明迁移网络的有效性与可行性。迁移网络很好地避免了这些问题将深度学习网络引入到少量数据集的分类中，综合考虑到训练时间和精度的要求。虽然精度提高只有几个百分点，但是在大数据的情况下其实意义深远，训练时间相比深度学习的一般训练过程提高了很多。
表2分类结果比较
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种基于迁移学习的图像分类方法，其特征在于，包括如下步骤：
步骤1，通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B，包括如下子步骤，
步骤1a，提取训练集A的HOG特征；
步骤1b，将训练集A的HOG特征导入支持向量机训练得到SVM训练模型，同时制作训练集A中各图像对应的标签；
步骤1c，利用步骤1a的原理提取待制作图像集合的HOG特征，然后使用SVM训练模型进行分类得到训练集B；
步骤2，构造迁移学习网络，网络结构为：输入层-卷积层1-激活层1-池化层1-卷积层2-激活层2-池化层2-卷积层3-激活层3-卷积层4-激活层4-卷积层5-激活层5-池化层5-全连接层6-全连接层7-softmax层-classout层；
步骤3，将步骤1分类的训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；
步骤4，将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。
2.如权利要求1所述的一种基于迁移学习的图像分类方法，其特征在于：步骤1a中提取训练集A的HOG特征的实现方式如下，
a1，将数据集A中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；
a2，计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，
Gx(x，y)＝H(x+1，y)-H(x-1，y) (1-1)
Gy(x，y)＝H(x，y+1)-H(x，y-1) (1-2)
式中x,y为像素点坐标，Gx(x，y)、Gy(x，y)是二维梯度值，G(x，y)是整体梯度，α(x，y)是梯度的方向，H(x，y)是cells中的二维坐标值；
a3，统计每个cell梯度直方图，利用检测窗口来划分block块，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；
a4，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量供分类使用。
3.如权利要求1所述的一种基于迁移学习的图像分类方法，其特征在于：步骤2中迁移学习网络的全连接层设置Weigh tLearn Rate Factor(权值学习因子)和Bias Learn RateFactor(基础学习因子)为20。
4.一种基于迁移学习的图像分类系统，其特征在于，包括如下模块：
迁移学习网络训练集制作模块，用于通过支持向量机利用特征相似已知训练集A来制作迁移网络的训练集B，包括如下子模块，
HOG特征提取子模块，用于提取训练集A的HOG特征；
SVM训练子模块，用于将训练集A的HOG特征导入支持向量机训练得到SVM训练模型，同时制作训练集A中各图像对应的标签；
迁移学习网络训练集获取子模块，用于提取待制作图像集合的HOG特征，然后使用SVM训练模型进行分类得到训练集B；
迁移学习网络构造模块，用于构造迁移学习网络，网络结构为：输入层-卷积层1-激活层1-池化层1-卷积层2-激活层2-池化层2-卷积层3-激活层3-卷积层4-激活层4-卷积层5-激活层5-池化层5-全连接层6-全连接层7-softmax层-classout层；
迁移学习网络训练模块，用于将训练集B作为迁移学习网络的训练学习集，通过训练得到鲁棒性较高、准确度较好地迁移学习网络模型；
图像分类模块，用于将待分类的数据集引入训练好的迁移学习网络模型，得到最后的分类结果，并标注标签。
5.如权利要求4所述的一种基于迁移学习的图像分类系统，其特征在于：HOG特征提取子模块包括以下单元，
图像预处理单元，用于将数据集A中的RGB图像进行灰度转换，并采用Gamma校正法对图像进行归一化处理；
梯度计算单元，用于计算图像横坐标和纵坐标方向的梯度，以此计算每个像素的梯度大小和方向，并将图像分成若干细胞单元cells，
Gx(x，y)＝H(x+1，y)-H(x-1，y) (1-1)
Gy(x，y)＝H(x，y+1)-H(x，y-1) (1-2)
式中x,y为像素点坐标，Gx(x，y)、Gy(x，y)是二维梯度值，G(x，y)是整体梯度，α(x，y)是梯度的方向，H(x，y)是cells中的二维坐标值；
块划分单元，用于统计每个cell梯度直方图，利用检测窗口来划分块block，检测出n*n个cell组成一个block，如果划分存在不够的情况下就会出现重叠，将block内的所有cells特征向量串联得到该block的HOG特征；
HOG特征提取单元，将所有重叠的block进行对比度归一化处理，结合所有block的HOG特征以及重叠block的对比度归一化处理结果，获得最终的特征向量供分类使用。
6.如权利要求4所述的一种基于迁移学习的图像分类系统，其特征在于：迁移学习网络构造模块中全连接层设置Weigh tLearn Rate Factor(权值学习因子)和Bias Learn RateFactor(基础学习因子)为20。
CN201810478726.4A 2018-05-18 2018-05-18 一种基于迁移学习的图像分类方法和系统 Pending CN108647741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810478726.4A CN108647741A (zh) 2018-05-18 2018-05-18 一种基于迁移学习的图像分类方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810478726.4A CN108647741A (zh) 2018-05-18 2018-05-18 一种基于迁移学习的图像分类方法和系统

Publications (1)

Publication Number Publication Date
CN108647741A true CN108647741A (zh) 2018-10-12

Family

ID=63756799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810478726.4A Pending CN108647741A (zh) 2018-05-18 2018-05-18 一种基于迁移学习的图像分类方法和系统

Country Status (1)

Country Link
CN (1) CN108647741A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447092A (zh) * 2018-10-25 2019-03-08 哈尔滨工程大学 基于海冰场景分类的冰间通路提取方法
CN109446332A (zh) * 2018-12-25 2019-03-08 银江股份有限公司 一种基于特征迁移和自适应学习的人民调解案例分类系统及方法
CN109522965A (zh) * 2018-11-27 2019-03-26 天津工业大学 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法
CN109740495A (zh) * 2018-12-28 2019-05-10 成都思晗科技股份有限公司 基于迁移学习技术的室外天气图像分类方法
CN109903836A (zh) * 2019-03-31 2019-06-18 山西慧虎健康科技有限公司 一种基于体质和大数据的饮食智能推荐和匹配系统及方法
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
CN110188820A (zh) * 2019-05-30 2019-08-30 中山大学 基于深度学习子网络特征提取的视网膜oct图像分类方法
CN110414631A (zh) * 2019-01-29 2019-11-05 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置
CN110472483A (zh) * 2019-07-02 2019-11-19 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN110728311A (zh) * 2019-09-29 2020-01-24 贝壳技术有限公司 一种图像处理方法、装置和存储介质
CN110838116A (zh) * 2019-11-14 2020-02-25 上海联影医疗科技有限公司 医学图像采集方法、装置、设备和计算机可读存储介质
CN111063000A (zh) * 2019-12-15 2020-04-24 中国科学院深圳先进技术研究院 基于神经网络结构搜索的磁共振快速成像方法和装置
CN111626149A (zh) * 2020-05-09 2020-09-04 南京邮电大学 一种基于图像显著性和迁移学习的图像场景分类方法
CN112507327A (zh) * 2020-08-31 2021-03-16 华南理工大学 一种基于机器学习的晴雨检测与处理方法
CN112528948A (zh) * 2020-12-24 2021-03-19 山东仕达思生物产业有限公司 一种快速标注且基于区域细分类的加德纳菌的检测方法、设备及存储介质
CN112819076A (zh) * 2021-02-03 2021-05-18 中南大学 基于深度迁移学习的医学图像分类模型的训练方法及装置
CN112884025A (zh) * 2021-02-01 2021-06-01 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统
CN113159223A (zh) * 2021-05-17 2021-07-23 湖北工业大学 一种基于自监督学习的颈动脉超声图像识别方法
CN113221942A (zh) * 2021-03-24 2021-08-06 安徽大学 一种基于深度迁移和Cayley-Klein度量的小样本下茶叶病害识别算法
CN113378964A (zh) * 2021-06-25 2021-09-10 南昌航空大学 一种基于深度学习的rgb-d图像分类方法及系统
CN113657486A (zh) * 2021-08-16 2021-11-16 浙江新再灵科技股份有限公司 基于电梯图片数据的多标签多属性分类模型建立方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335753A (zh) * 2015-10-29 2016-02-17 小米科技有限责任公司 图像识别方法和装置
CN106485251A (zh) * 2016-10-08 2017-03-08 天津工业大学 基于深度学习的鸡蛋胚胎分类
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335753A (zh) * 2015-10-29 2016-02-17 小米科技有限责任公司 图像识别方法和装置
CN106485251A (zh) * 2016-10-08 2017-03-08 天津工业大学 基于深度学习的鸡蛋胚胎分类
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵池航 等著: "《交通信息感知理论与方法》", 30 September 2014, 东南大学出版社 *
黄洁 等: "基于卷积神经网络的遥感图像舰船目标检测", 《北京航空航天大学学报》 *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447092B (zh) * 2018-10-25 2021-08-20 哈尔滨工程大学 基于海冰场景分类的冰间通路提取方法
CN109447092A (zh) * 2018-10-25 2019-03-08 哈尔滨工程大学 基于海冰场景分类的冰间通路提取方法
CN109522965A (zh) * 2018-11-27 2019-03-26 天津工业大学 一种基于迁移学习的双通道卷积神经网络的烟雾图像分类方法
CN109446332A (zh) * 2018-12-25 2019-03-08 银江股份有限公司 一种基于特征迁移和自适应学习的人民调解案例分类系统及方法
CN109446332B (zh) * 2018-12-25 2023-08-25 银江技术股份有限公司 一种基于特征迁移和自适应学习的人民调解案例分类系统及方法
CN109740495A (zh) * 2018-12-28 2019-05-10 成都思晗科技股份有限公司 基于迁移学习技术的室外天气图像分类方法
CN110414631B (zh) * 2019-01-29 2022-02-01 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置
CN110414631A (zh) * 2019-01-29 2019-11-05 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置
CN109903836A (zh) * 2019-03-31 2019-06-18 山西慧虎健康科技有限公司 一种基于体质和大数据的饮食智能推荐和匹配系统及方法
CN110148120B (zh) * 2019-05-09 2020-08-04 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
CN110188820A (zh) * 2019-05-30 2019-08-30 中山大学 基于深度学习子网络特征提取的视网膜oct图像分类方法
CN110188820B (zh) * 2019-05-30 2023-04-18 中山大学 基于深度学习子网络特征提取的视网膜oct图像分类方法
CN110472483B (zh) * 2019-07-02 2022-11-15 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN110472483A (zh) * 2019-07-02 2019-11-19 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN110728311A (zh) * 2019-09-29 2020-01-24 贝壳技术有限公司 一种图像处理方法、装置和存储介质
CN110838116B (zh) * 2019-11-14 2023-01-03 上海联影医疗科技股份有限公司 医学图像采集方法、装置、设备和计算机可读存储介质
CN110838116A (zh) * 2019-11-14 2020-02-25 上海联影医疗科技有限公司 医学图像采集方法、装置、设备和计算机可读存储介质
CN111063000B (zh) * 2019-12-15 2023-12-26 中国科学院深圳先进技术研究院 基于神经网络结构搜索的磁共振快速成像方法和装置
CN111063000A (zh) * 2019-12-15 2020-04-24 中国科学院深圳先进技术研究院 基于神经网络结构搜索的磁共振快速成像方法和装置
CN111626149A (zh) * 2020-05-09 2020-09-04 南京邮电大学 一种基于图像显著性和迁移学习的图像场景分类方法
CN112507327A (zh) * 2020-08-31 2021-03-16 华南理工大学 一种基于机器学习的晴雨检测与处理方法
CN112528948A (zh) * 2020-12-24 2021-03-19 山东仕达思生物产业有限公司 一种快速标注且基于区域细分类的加德纳菌的检测方法、设备及存储介质
CN112884025A (zh) * 2021-02-01 2021-06-01 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统
CN112884025B (zh) * 2021-02-01 2022-11-04 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统
CN112819076A (zh) * 2021-02-03 2021-05-18 中南大学 基于深度迁移学习的医学图像分类模型的训练方法及装置
CN112819076B (zh) * 2021-02-03 2022-06-17 中南大学 基于深度迁移学习的医学图像分类模型的训练方法及装置
CN113221942A (zh) * 2021-03-24 2021-08-06 安徽大学 一种基于深度迁移和Cayley-Klein度量的小样本下茶叶病害识别算法
CN113159223A (zh) * 2021-05-17 2021-07-23 湖北工业大学 一种基于自监督学习的颈动脉超声图像识别方法
CN113378964A (zh) * 2021-06-25 2021-09-10 南昌航空大学 一种基于深度学习的rgb-d图像分类方法及系统
CN113657486A (zh) * 2021-08-16 2021-11-16 浙江新再灵科技股份有限公司 基于电梯图片数据的多标签多属性分类模型建立方法
CN113657486B (zh) * 2021-08-16 2023-11-07 浙江新再灵科技股份有限公司 基于电梯图片数据的多标签多属性分类模型建立方法

Similar Documents

Publication Publication Date Title
CN108647741A (zh) 一种基于迁移学习的图像分类方法和系统
WO2022160771A1 (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN108648191B (zh) 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN106096561A (zh) 基于图像块深度学习特征的红外行人检测方法
CN104484681B (zh) 基于空间信息和集成学习的高光谱遥感影像分类方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN103699904B (zh) 多序列核磁共振影像的图像计算机辅助判断方法
CN108805070A (zh) 一种基于嵌入式终端的深度学习行人检测方法
CN108764308A (zh) 一种基于卷积循环网络的行人重识别方法
CN108460403A (zh) 一种图像中多尺度特征融合的目标检测方法与系统
CN106651830A (zh) 一种基于并行卷积神经网络的图像质量测试方法
CN110097029B (zh) 基于Highway网络多视角步态识别的身份认证方法
CN109446922B (zh) 一种实时鲁棒的人脸检测方法
CN114494195B (zh) 用于眼底图像分类的小样本注意力机制并行孪生方法
CN106446890B (zh) 一种基于窗口打分和超像素分割的候选区域提取方法
CN109325507A (zh) 一种结合超像素显著性特征与hog特征的图像分类算法和系统
CN110097090A (zh) 一种基于多尺度特征融合的图像细粒度识别方法
CN107545243A (zh) 基于深度卷积模型的黄种人脸识别方法
CN109766873A (zh) 一种混合可变形卷积的行人再识别方法
CN104298974A (zh) 一种基于深度视频序列的人体行为识别方法
CN112052772A (zh) 一种人脸遮挡检测算法
Liu et al. An automatic extraction architecture of urban green space based on DeepLabv3plus semantic segmentation model
CN107767416A (zh) 一种低分辨率图像中行人朝向的识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181012