技术特征：
技术总结
本发明涉及一种基于改进CNN的简单学习框架的图像分类方法，其包括：输入图像I；将图像I分为大小为m×m的图像块集合；将图像Ii输入到卷积神经网络中进行训练；通过三层全连接层处理得到一维的矩阵，使用dropout正则化操作以避免过拟合；将神经网络中的输出结果输入到分类器里，输出得到分类结果。本发明提出了一种基于卷积神经网络的简单学习框架，表示为Brief–Net，并将其应用于图像分类，减少了训练的时间同时也提高了分类的精度。Brief–Net包括三个卷积层和最大池化层，接着是三个全连接层。采用softmax分类器来识别图像分类。本发明的方法能够有效减少训练时间和存储成本，具有较高的识别精度。
技术研发人员：李孝杰;吴锡;伍贤宇;何嘉;王强;史沧红;郭峰;罗超
受保护的技术使用者：成都信息工程大学
技术研发日：2018.08.02
技术公布日：2019.02.12