王改华，郭 钊，周志刚，万溪洲，郑 旭

(湖北工业大学电气与电子工程学院，武汉 430068)

随着互联网技术的迅速发展，灾难场景图像越来越多出现在人们视野中，为了方便人类查看自己所需的灾难场景图片，因此，图像分类变得愈发重要。随着卷积神经网络取得了一定的突破，图像分类技术的应用越来越广泛，如图像搜索，目标检测[1-3]和目标定位等[4-6]。

充分提取图像特征对提高图像分类精度有巨大的作用。刘琼等[7]提出了一种结合无监督和有监督学习的网络权值预训练算法，融合零成分分析白化与深度信念网络预学习得到的特征，对卷积神经网络权值进行初始化，通过卷积、池化等操作，对训练样本进行特征提取并使用全连接网络对特征进行分类。王改华等[8]提出一种采用无监督学习算法与卷积构造的图像分类模型，从输入无标签图像中随机抽取大小相同的图像块构成数据集，进行预处理，将预处理后的图像块通过两次K-means聚类算法提取字典，并采用离散卷积操作提取最终图像特征，采用Softmax分类器对提取的图像特征进行分类。狄岚等[9]提出一种道路交通标识识别算法，通过色彩增强、图像分割、特征提取、数据增强和归一化等批量预处理操作,形成一个完整的数据集，结合Squeeze-and-Excitation思想和残差网络结构,充分训练出MRESE(my residual-squeeze and excitation)卷积神经网络模型对图像进行分类。史文旭[10]提出了一种基于卷积神经网络(convolutional neural network，CNN)的多尺度方法结合反卷积网络的特征提取算法并对腺癌病理图像进行分类，利用反卷积操作实现不同尺度特征的融合，然后利用Inception结构不同尺度卷积核提取多尺度特征，最后通过Softmax方法对图像进行分类。……