一種基于遷移學習的小樣本圖像分類方法

胡勝利，吳 季

(安徽理工大學 計算機科學與工程學院，安徽 淮南 232001)

深度學習在人工智能(Artificial Intelligence，AI)中屬于一個重要的分支，在圖像識別等領域取得了不錯的成績。在深度學習還未得到真正應用之前，處理圖像的方法一般有閾值處理、邊緣、區域、圖論等。對人臉圖像進行識別時，一般采用的是Haar-like特征+級聯分類器。這些傳統方法在處理圖像數據時，都需要進行十分復雜的預處理工作(即特征提取工作)，不僅耗時長、精度低，而且破壞了許多圖像原有的特性。因深度學習的興起，卷積神經網絡開始應用于圖像處理中，解決了傳統人工特征提取圖像存在的種種問題。隨著深度學習的發展，相關神經網絡模型也不斷推陳出新[1]，如 He等[2]將Resnet101應用在深度卷積神經網絡中，大大提高了圖像分類的準確度。深度學習模型應用在圖像處理中，可以得到極高的準確率。Doon等[3]使用12層卷積神經網絡(CNN)對CIFAR-10數據集進行圖像識別，在測試中得到了87%的準確率。但當深度模型應用于小樣本的圖像數據中時，訓練學習效果不好，只有在訓練樣本量很大時，才可以很好地泛化到不同的樣本[4]。而且，當使用深度學習模型進行高精度實驗時，需要用到的計算機硬件價格極其昂貴，在計算量中計算代價極大。所以，一般在訓練小樣本的樣本數據時，運用遷移學習對深度模型進行遷移訓練，可以有效解決因樣本量少帶的來準確率低等問題。

針對小樣本圖像分類的問題，本文采用遷移學習的方法，將深度卷積神經網絡模型應用于小樣本的圖像處理中，旨在為小樣本圖像分類提供一種新方法。……