一种基于交叉对比神经网络的图像多任务分类方法技术

本发明专利技术公开了一种基于交叉对比神经网络的图像多任务分类方法。本发明专利技术将深度神经网络与IBS理论相结合，提出了交叉对比神经网络，包括训练部分和测试部分。训练部分步骤：(1)按序选取图像组成集合，使用网络对任两幅进行特征提取；(2)对提取的特征进行概率统计，使用修改的IBS公式得到标准化后的MIBS值；(3)将MIBS值与标签结合，计算损失值；(4)重复以上步骤，使用算法优化损失值；(5)重复4，直至模型训练结束。测试部分步骤：(6)将测试图像与训练集图像两两输入训练好的模型中计算MIBS值，确定测试图像类别。本方法将图像以组合方式两两输入网络，对IBS理论修改加入网络中，解决了样本量少，准确率难以保证和统计特征无法寻找的问题。

【技术实现步骤摘要】
一种基于交叉对比神经网络的图像多任务分类方法
本专利技术涉及统计分析以及深度学习在图像方面的应用，特别是针对小样本图像数据的多任务分类。
技术介绍
2012年，AlexNet网络在ILSVRC中取得了历史性的突破，效果大幅度超越传统的图像分类方法，这也是首次将深度神经网络用于大规模图像分类中。从AlexNet网络之后，出现了一系列的卷积神经网络模型，不断地在ImageNet数据集上刷新成绩，其中包括VGG、GoogleNet和ResNet等。但是这所有的网络，都需要在大样本上进行训练，准确率才能有较大的提升，无法在小样本上做的很好。IBS(Information-basedSimilarity)理论属于统计分析的范畴。它是哈佛医学院彭仲康教授在2007年提出的基于符号序列实现有效分类的方法。此方法成功的应用于在基因序列，文字序列，心音信号分析等领域，实践证明有效。但是这一统计分析的理论只能进行正向的分析，无法对分析得到的数据结果进行反馈，统计特征无法寻找。
技术实现思路
针对以上现有方法中存在的不足，本专利技术的目的在于提出一种基于交叉对比神经网络的图像多任务分类方法，该方法通过将深度神本文档来自技高网...

【技术保护点】
1.本专利技术公开了一种基于交叉对比神经网络的图像多任务分类方法，其特征在于：交叉对比神经网络包括训练部分和测试部分。

【技术特征摘要】
1.本发明公开了一种基于交叉对比神经网络的图像多任务分类方法，其特征在于：交叉对比神经网络包括训练部分和测试部分。2.根据权利要求1所述的一种基于交叉对比神经网络的图像多任务分类方法，其特征在于，训练部分包括以下步骤：步骤1，按序选取图像组成集合，使用网络对任两幅进行特征提取；步骤2，对提取的特征进行概率统计，使用修改的IBS公式得到标准化后的MIBS值；步骤3，将MIBS值与标签结合，计算损失值；步骤4，重复以上步骤，使用算法优化损失值；步骤5，重复4，直至模型...

【专利技术属性】
技术研发人员：孙宇，陈颖，葛云，黄晓林，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏,32