一种面向图像识别的深度学习网络的优化方法及系统与流程

技术特征：
1.一种面向图像识别的深度学习网络的优化方法，其特征在于，该方法包括：采集待训练图像数据；其中，所述待训练图像数据携带有初始标签；构建深度学习网络模型；所述深度学习网络模型是卷积神经网络模型，包括前向传播网络和后向传播网络；其中，所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷积层、四个膨胀卷积层和四个池化层；将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型；根据所述第一图像识别模型，确定所述待训练图像数据的修正标签；采用fasta算法，计算所述初始标签和所述修正标签之间的距离；根据所述距离，筛选所述待训练图像数据的修正标签；将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。2.根据权利要求1所述的方法，其特征在于，所述通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型，包括：根据当前步梯度的估计值，更新模型参数，判断上一步梯度的方向与当前步梯度的方向是否一致，若一致，则采用动量优化算法进行参数训练；若不一致，则采用随机梯度下降算法进行参数训练，直至模型满足预设训练终止条件。3.根据权利要求2所述的方法，其特征在于，根据以下公式判断上一步梯度的方向与当前步梯度的方向是否一致：其中，dic表示判断值，sgn(
·
)表示符号函数，表示当前步t的梯度，v
t
表示当前步t的速度。4.根据权利要求3所述的方法，其特征在于，若所述判断值为1，则上一步梯度的方向与当前步梯度的方向一致；若所述判断值为-1，则上一步梯度的方向与当前步梯度的方向不一致。5.根据权利要求1所述的方法，其特征在于，所述采用fasta算法，计算所述初始标签和所述修正标签之间的距离，包括：采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，获得第一初始标签序列和第一修正标签序列；计算所述第一初始标签序列和所述第一修正标签序列之间的距离，作为第一距离；采用one-hot编码所述初始标签和所述修正标签，获得第二初始标签序列和第二修正标签序列；计算所述第二初始标签序列和所述第二修正标签序列之间的距离，作为第二距离；对所述第一距离和所述第二距离进行加权求和处理，得到的结果作为所述初始标签和所述修正标签之间的距离。6.根据权利要求5所述的方法，其特征在于，所述采用脱氧核苷酸序列的参考格式编码所述初始标签和所述修正标签，包括：采用所述脱氧核苷酸序列的参考格式编码所述初始标签的声调和所述修正标签的声
调；其中，所述脱氧核苷酸序列的参考格式的腺嘌呤脱氧核苷酸a对应第一声、胸腺嘧啶脱氧核苷酸t对应第二声、胞嘧啶脱氧核苷酸c对应第三声以及鸟嘌呤脱氧核苷酸g对应第四声。7.根据权利要求6所述的方法，其特征在于，所述根据所述距离，筛选所述待训练图像数据的修正标签，包括：归一化处理所述距离，获得归一化距离；若所述归一化距离大于预设阈值，则去除相应的待训练图像数据的修正标签；反之，则保留相应的待训练图像数据的修正标签。8.根据权利要求7所述的方法，其特征在于，通过以下公式计算所述归一化距离：其中，ε表示调节系数，初始标签的个数为n，tf(i)表示初始标签i的出现次数，sim
i,j
表示初始标签i和对应的修正标签j之间的距离。9.根据权利要求1所述的方法，其特征在于，该方法还包括：获取待识别图像数据；通过所述第二图像识别模型对所述待识别图像数据进行识别，获得图像识别结果。10.一种基于权利要求1-9任一项所述方法的面向图像识别的深度学习网络的优化系统，其特征在于，该系统包括：数据采集模块，用于采集待训练图像数据；其中，所述待训练图像数据携带有初始标签；深度学习网络模型构建模块，用于构建深度学习网络模型；所述深度学习网络模型是卷积神经网络模型，包括前向传播网络和后向传播网络；其中，所述前向传播网络包括四个卷积层和四个池化层，所述后向传播网络包括两个卷积层、四个膨胀卷积层和四个池化层；第一图像识别模型构建模块，用于将所述待训练图像数据输入所述深度学习网络模型，通过改进比例积分控制器训练所述深度学习网络模型的参数，构建第一图像识别模型；修正标签确定模块，用于根据所述第一图像识别模型，确定所述待训练图像数据的修正标签；距离计算模块，用于采用fasta算法，计算所述初始标签和所述修正标签之间的距离；修正标签筛选模块，用于根据所述距离，筛选所述待训练图像数据的修正标签；第二图像识别模型构建模块，用于将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练所述第一图像识别模型的参数，获得第二图像识别模型。

技术总结
本申请提供的一种面向图像识别的深度学习网络的优化方法及系统，具体应用于图像识别领域，采集待训练图像数据；其中，待训练图像数据携带有初始标签；构建深度学习网络模型；将待训练图像数据输入深度学习网络模型，通过改进比例积分控制器训练深度学习网络模型的参数，构建第一图像识别模型；根据第一图像识别模型，确定待训练图像数据的修正标签；采用FASTA算法，计算初始标签和修正标签之间的距离；根据距离，筛选待训练图像数据的修正标签；将筛选后的携带修正标签的待训练图像数据输入第一图像识别模型，通过改进比例积分控制器训练第一图像识别模型的参数，获得第二图像识别模型。由此提高图像识别模型的识别效率和准确率。确率。确率。


技术研发人员：ꢀ(74)专利代理机构
受保护的技术使用者：北京拙河科技有限公司
技术研发日：2022.04.26
技术公布日：2022/8/5