(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211371486.0 (22)申请日 2022.11.03 (71)申请人 潍坊学院 地址 261061 山东省潍坊市高新 开发区东 风东街5147号 (72)发明人 徐兴敏　王仁林　张玉艳　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/77(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的图像分类模型组合方 法 (57)摘要 本发明公开了一种基于深度学习的图像分 类模型组合方法， 涉及图像分类技术领域， 具体 步骤包括： 对训练集图像进行预处理； 构建图像 分类模型； 将训练集图像输入到图像 分类模型中 进行训练， 得到与当前训练集图像对应的图像分 类模型， 获得训练好的图像分类模型； 对不同类 别的图像进行训练， 得到训练好的图像 分类模型 集； 确定图像 分类模型集中每个图像 分类模型的 特征组合信息， 将各个图像分类模 型的特征组合 信息融合为组合模型。 本发明可以同时对多种类 别的图像进行分类， 得到分类结果， 不仅可以提 高图像的分类准确率， 在对多种类别的图像进行 分类时， 能够减少训练时间， 提高分类效率。 权利要求书1页 说明书6页 附图1页 CN 115546563 A 2022.12.30 CN 115546563 A 1.一种基于深度学习的图像分类模型组合方法， 其特 征在于， 包括以下步骤： S101、 对训练集图像进行 预处理； 所述训练集图像包括无 标签图像和有标签图像； S102、 构建图像分类模型； 所述图像分类模型包括深度学习网络和分类器； 所述深度学 习网络包括输入层、 隐藏层、 输出层， 所述输入层主要用于获取输入的图像信息， 所述隐藏 层用于进 行特征提取， 所述输出层用于输出具有代表性的特征组合； 其中， 隐藏层首先使用 自下向上非监 督学习， 然后使用自上向下监 督学习； S103、 将所述训练集图像输入到图像分类模型中进行训练， 得到与当前训练集 图像对 应的图像分类模型， 获得训练好的图像分类模型； S104、 重复S10 3， 对不同类别的图像进行训练， 得到训练好的图像分类模型集； S105、 确定图像分类模型集中每个图像分类模型的特征组合信息， 将各个图像分类模 型的特征组合信息融合 为组合模型。 2.根据权利要求1所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 所 述对训练集图像进行预处理包括： 对训练集图像进行镜像、 剪切、 旋转以及随机擦除处理， 同时对训练集图像进行归一 化处理。 3.根据权利要求1所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 所 述隐藏层首 先使用自下向上非监 督学习， 包括： S1021， 随机采样图像， 采用无标签图像训练第一层， 从而得到比输入更具表示能力的 特征， 这些特征以一定的比例 相互叠加得到原图像； S1022， 在学习得到第n ‑1层后， 将第n ‑1层的输出作为第n层的输入， 训练第n层， 分别得 到对应的各层的参数。 4.根据权利要求3所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 对 参数进行调整， 包括： 对输入进行编码得到输出特征， 再将输出特征进行反编码， 与输入进 行对比， 调整编码与反编码参数使重构误差最小。 5.根据权利要求1所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 隐 藏层使用自上向下监督学习的具体步骤包括： 通过对有标签的图像进行训练， 误差自上向 下传输， 对每一层的参数进行微调。 6.根据权利要求1所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 所 述训练集图像为对训练集中原 始图像进行尺度缩放后的图像。 7.根据权利要求1所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 所 述将所述训练集图像输入到图像分类模型中进行训练， 包括： S1031、 获取输入的训练集图像； S1032、 对所述图像进行 特征提取， 完成自下向上非监 督学习与自上向下监 督学习； S1033、 逐层计算后输出图像具有代 表性的特 征； S1034、 分类器利用这些 特征组合对图像进行分类， 得到分类结果。 8.根据权利要求7所述的一种基于深度 学习的图像分类模型组合方法， 其特征在于， 所 述图像具有代表性的特征， 包括图像的边缘特征 组合、 图像的基本形状特征组合、 图像的色 彩特征组合。权　利　要　求　书 1/1 页 2 CN 115546563 A 2一种基于深度学习的图像分类模型组合 方法 技术领域 [0001]本发明涉及图像分类技术领域， 更具体的说是涉及一种图像分类模型的组合方 法。 背景技术 [0002]近年来， 深度学习算法在图像分类领域得到广泛关注， 与基于浅层学习 获得手工 特征的传统机器学习算法相比， 深度学习 方法通过联合多个非线性浅层特征， 并在此基础 上构造出更加抽象的高阶特征， 如同大脑的深度结构， 深度学习中， 每一个输入对象会以多 层抽象形式表现出来， 每个层次对应于不同的皮层区域。 深度学习的优势在于它获得的多 层次特征是使用通用的学习过程从原始数据中学习获得的， 而不是 由手工筛选设计出来。 深度学习可以像人脑一样对外界输入事物进行分析和理解， 该网络优势被广泛应用于图 像、 文本、 声 音等研究领域。 [0003]在图像分类领域中， 深度学习利用设定好的网络结构， 完全从训练数据中学习图 像的层级结构性特征， 能够提取更加接近图像高级语义的抽象特征， 从而确定目标图像的 分类模型， 在图像分类上 的表现远远超过传统方法； 如果面对的是一个或少量几个固定的 图像进行分类， 那么可以逐个将这些图像类别需要用到的模型都预先分别打包， 成为解决 不同固定图像类别的模型， 然后分别部署 应用。 但是如果面向的是多种类别的图像时， 这样 打包模型， 就会产生大量重复的、 类似的工作。 [0004]因此， 如何提供一种图像分类模型的组合方法以提高图像分类准确率并且可以同 时对多种类别的图像进行分类是本领域 技术人员亟需解决的问题。 发明内容 [0005]有鉴于此， 本发明提供了一种基于深度学习的图像分类模型组合方法， 通过深度 学习网络， 采用逐层初始化的训练方式， 充分发挥深度学习自我学习的优势， 有效解决训练 比较慢的问题； 并且 可以同时对多种类别的图像进 行分类， 得到 分类结果， 不仅可以提高图 像的分类准确率， 在对多种类别的图像进行分类时， 能够减少训练时间， 提高分类效率。 [0006]为了实现上述目的， 本发明采用如下技术方案： 一种基于深度学习的图像分类模 型组合方法， 包括以下步骤： [0007]S101、 对训练集图像进行 预处理； 训练集图像包括无 标签图像和有标签图像； [0008]S102、 构建图像分类模型； 图像分类模型包括深度学习网络和分类器； 深度学习网 络包括输入层、 隐藏层、 输出层， 输入层主要用于获取输入的图像信息， 隐藏层用于进行特 征提取， 输出层用于输出具有代表性的特征组合； 其中， 隐藏层首先使用自下向上非监督学 习， 然后使用自上向下监 督学习； [0009]S103、 将训练集图像输入到图像分类模型中进行训练， 得到与当前训练集图像对 应的图像分类模型， 获得训练好的图像分类模型； [0010]S104、 重复S10 3， 对不同类别的图像进行训练， 得到训练好的图像分类模型集；说　明　书 1/6 页 3 CN 115546563 A 3