项目实训五

数据处理函数

这两周的主要任务是完成数据集处理代码的编写，因为单张加载训练集数据图片较慢，所以统一处理成pkl格式的数据放在一个文件中，以便于在每一轮训练中进行更快的加载数据。
其次，针对指定的batch_size以及对每个batch的最大长度进行限制，训练集进行打包，返回特征和标签以及对应的编号。
即是完成dataIterator(feature_file, label_file, dictionary, batch_size, batch_Imagesize, maxlen, maxImagesize)函数编写

基于DenseNet的encoder来完成特征提取

DenseNet是最近两年才被提出的模型，提出DenseNet的论文获得了2017年CVPR（Conference on Computer Vision and Pattern Recognition）最佳论文，该模型虽然借鉴了ResNet的思想，却是全新的网络结构，它的结构并不复杂，但是非常有效，并且在各类指标上都超越了ResNet。

它是一种具有紧密连接性质的卷积神经网络，该神经网络中的任何两层都有直接连接，即网络中每一层的输入都是前面所有层输出的并集，而这一层学习到的特征也会被直接传递到后面的所有层作为输入。这种紧密连接仅仅存在于同一个Dense Block中，不同的Dense Block是没有这种紧密连接的。主要有以下好处：

• 缓解了梯度消失的问题
• 加强了特征的传播，鼓励重复利用特征
• 极大地减少了参数个数
• 具有正则化的效果，即使在较少的训练集上，也可以减少过拟合的现象

论文中对不同DenseNet网络结构的总结
我们采用DenseNet网络进行特征提取，我们将在这两周完成该部分代码的编写，并对网络进行适当调整。