1.一种基于深度学习网络的图像分类方法,其特征在于,包括以下步骤:步骤1:首先建立与ResNext网络相同的提取特征部分,根据参数设置,将每个参数相同的卷积块分为一节,并对每节部分进行同样大小卷积块的删减;
步骤2:在建立好网络的每节部分中提取每一部分网络得到的特征图,处理后获得最后的特征列向量;
步骤3:将最后的特征列向量与softmax分类器进行全连接,使整个网络完整;
步骤4:将已知数据库输入到整个网络中,运用梯度下降法进行调节,当训练精度和验证精度到预设程度后,保存调节好后的权值;
步骤5:将网络运用到新数据库时,用保存好的权值进行迁移学习。
2.根据权利要求1所述的基于深度学习网络的图像分类方法,其特征在于,步骤2的具体实现包括以下子步骤:步骤2.1:将每一部分获得的特征图进行均匀池化,一共有N节部分时,第一部分池化后特征图大小为2(N-1)*2(N-1),第二部分池化后特征图大小为2(N-2)*2(N-2),以此类推,最后一部分池化后特征图大小为2(N-N)*2(N-N);
步骤2.2:将每一部分的每一张特征图转化为列向量排列,然后整个部分顺序连接为列向量,最后将每个列向量顺利连接为最后的特征列向量。
3.根据权利要求1所述的基于深度学习网络的图像分类方法,其特征在于,步骤5的具体实现过程是:将保持好的权值对网络进行权值初始化,然后运用梯度下降法调节网络。