1.一种基于多分支残差卷积神经网络模型的图像分类方法,其特征在于,包括以下步骤:
1)建立多分支残差卷积神经网络模型;
多分支残差卷积神经网络模型,包括依次连接的第一分类单元、第二分类单元、第三分类单元和第四分类单元;所述第二分类单元是由两个多分支残差结构堆叠组成;所述第三分类单元是由三个多分支残差结构堆叠组成;
所述多分支残差结构包括依次连接的1*1第一卷积层、多分支变体的深度可分离卷积池化机构和1*1第二卷积层;所述1*1第一卷积层与前一分类单元连接;所述1*1第二卷积层与后一分类单元连接;
所述多分支变体的深度可分离卷积池化机构包括并列的第一分支、第二分支和第三分支;所述1*1第一卷积层同时经第一分支、第二分支和第三分支后与1*1第二卷积层连接;
所述第一分支包括依次连接的3*3深度可分离卷积层和3*3第一池化层;第二分支包括依次连接5*5深度可分离卷积层和3*3第二池化层;所述第三分支为3*3第三池化层;
所述第一分类单元依次包括7*7卷积层和3*3池化层;所述3*3池化层与第二单元的1*1第一卷积层连接;
所述第四分类单元依次包括池化层和全连接层;所述池化层与第三分类单元的1*1第二卷积层连接;
所述池化层为并列的自适应最大池化层和自适应平均池化层;所述自适应最大池化层分别与第三分类单元的1*1第二卷积层和全连接层连接;所述自适应平均池化层分别与第三分类单元的1*1第二卷积层和全连接层连接;
2)获取图像数据,建立数据集;
3)将步骤2)数据集中的图像数据进行随机处理,得到原始矩阵A;
4)将步骤3)的原始矩阵A输入到步骤1)的多分支残差卷积神经网络模型中训练,提取图像特征,并对图像进行识别,完成图像分类。
2.根据权利要求1所述的基于多分支残差卷积神经网络模型的图像分类方法,其特征在于,所述步骤4)的训练过程是:
4.1)将原始矩阵A输入第一分类单元中,依次经7*7卷积、3*3池化后得到去噪特征矩阵A0;
4.2)将去噪特征矩阵A0输入第二分类单元,经过两个堆叠的多分支残差结构进行卷积、池化后提取矩阵信息,得到高维残差特征矩阵A5;
4.3)将高维残差特征矩阵A5输入第三分类单元中,经过三个堆叠的多分支残差结构进行卷积、池化后提取矩阵信息,得到高维度具有不变性的特征矩阵A6;
4.4)上述得到的高维度具有不变性的特征矩阵A6同时输入最大池化层和平均池化层中,经池化提取的信息合并后输入全连接层,对提取的分布特征进行组合,形成一维特征向量,并对特征向量进行加权求和后输出,完成分类。
3.根据权利要求2所述的基于多分支残差卷积神经网络模型的图像分类方法,其特征在于,所述卷积均还包括批归一化处理和Mish激活函数处理。