刘之瑜，徐精诚，罗长银，王豪石，张淑芬

（1. 华北理工大学 理学院，河北 唐山 063210；2. 河北省数据科学与应用重点实验室，河北 唐山 063210；3. 唐山市数据科学重点实验室，河北 唐山 063210）

0 引言

随着计算机网络和数码设备的发展，大量数据不断地产生与传播，数据的种类多种多样，除了经过统计呈现出来的数值型数据，还存在大量的自然语言和视频图像等类型的数据。传统的数据处理方法难以实现对大规模图像数据集的分析，如ImageNet[1]数据集，包含有超过2万种的图像种类和超过 1 000万的图像样本。处理数以万计的图像数据集，传统的人工设计特征提取算子的方法耗时耗力精度不足，现在主流的方法用到卷积神经网络[2]（CNN），CNN 通过卷积层自动获取图像特征，经过层层处理后进行分类，精度很高，同时还用 Pytorch和Tensorflow框架来加速训练。卷积神经网络在语音识别，目标检测[3]、语义分割[4]和图像分类[5]等计算机视觉领域应用广泛，其性能在图像识别任务中表现出色。

图像分类任务利用数字图像中所学习到的图像特征信息，对图像的类别进行划分，是计算机视觉和图像处理领域的基础问题[6]。处理图像分类任务的方法有很多，主要分为传统方法和深度学习方法。传统方法（如SIFT[7]，HOG[8]等图像特征提取算法）通过人工设计特征提取算子对图像提取多种特征作为标签对图像分类，人工设计的特征提取算子很难解决图像低维特征到高维特征之间存在的语义差别，算子设计繁琐应用成本高，准确率较低。……