一种基于深度学习的资质图像分类方法及系统

专利主权项内容

1.一种基于深度学习的资质图像分类方法，其特征在于，包括以下步骤，基于原始图像数据集，采用数据增强算法，包括随机裁剪、翻转、颜色变换以及Z-Score标准化方法，进行数据集的扩展和标准化处理，匹配深度学习模型的输入要求，生成增强后的标准化图像数据集；基于所述增强后的标准化图像数据集，选用迁移学习算法，选择预训练模型ResNet-50或VGG-16，对选定的模型进行微调，调整网络结构的后几层匹配新的图像分类任务，保持其他层不变，利用模型已有的特征提取能力，生成微调后的迁移学习模型；基于所述微调后的迁移学习模型，应用SMOTE算法处理类别不平衡问题，通过调整训练过程中各类别的样本权重或合成少数类别的样本，平衡模型对差异类别图像的识别能力，生成类别平衡优化模型；基于所述类别平衡优化模型，结合图卷积网络和频域分析技术，将图信号处理方法整合进模型，通过分析图像数据的结构化特征和关系，提升模型对图像内在结构的识别和分类能力，生成图信号处理增强模型；基于所述图信号处理增强模型，针对特定场景的实时图像流，应用神经风格迁移技术，调整图像风格，匹配所述图信号处理增强模型的分类要求，通过神经网络进行风格迁移，优化图像的视觉表现，生成风格调整后的图像流；基于所述风格调整后的图像流，采用层次化特征学习方法和细粒度调整策略对所述图信号处理增强模型进行微调，使用深度学习中的注意力机制和局部感受野优化，调整模型对经风格迁移处理后图像的响应，优化分类精度和效率，生成优化微调模型；基于所述优化微调模型，对所述风格调整后的图像流进行图像分类，采用交叉熵损失函数，计算分类准确率、召回率、F1分数关键指标，应用混淆矩阵分析模型在差异类别上的分类效能，生成分类结果与性能评估数据。 来自马克数据网