一种基于知识分类的复杂目标渐近识别方法及装置制造方法及图纸

本发明专利技术提出了一种基于知识分类的复杂目标渐近识别方法及装置。该方法包括：图像预处理，将原始图像数据集I分为多种级别分辨率的数据集，作为复杂目标渐近识别的基准数据集；将图像批量输入在ImageNet数据集上预训练的VGG‑16网络进行特征提取；将提取到的多种分辨率的特征，进行双线性特征融合计算和三线性特征融合计算；利用融合后的特征预测类别。本方法融合三线性池化和双线性池化的特征，在统一的框架内规划复杂目标的粗粒度任务和细粒度任务。解决了实际生活中细粒度识别中忽略的粗粒度任务所提供的特征参考。

【技术实现步骤摘要】
一种基于知识分类的复杂目标渐近识别方法及装置
本专利技术属于图像识别领域，涉及细粒度图像识别与检索，具体涉及一种基于知识分类的复杂目标渐近识别方法及装置。
技术介绍
近年来，细粒度图像识别与检索已成为视觉计算和信息检索领域的研究热点。虽然图像识别技术在近年来已经取得了很大的发展，但是在细粒度图像识别和检索等方面仍然有诸多技术难点亟需突破。细粒度图像分类问题是对大类下的子类进行识别。细粒度图像分析任务相对通用图像任务的区别和难点在于其图像所属类别的粒度更为精细。不止对计算机，对普通人来说，细粒度图像任务的难度和挑战无疑也更为巨大。尽管现有的技术很容易甄别外观差异较为明显的对象如：猫与狗，但这些现有技术仍然难以区分外观差异较不明显的对象如：波音737客机与波音747客机，这些子类中对象的识别结果易于被其运动姿态，观察方向以及相对位置所影响。然而随着人工智能的发展，越来越多的应用场景需要对同一类别下的物体进行更为精细的特征区分，例如：商人对品牌的识别，植物学家对植物的识别等。细粒度图像分类无论在工业界还是学术界都有着广泛的研究本文档来自技高网...

【技术保护点】
1.一种基于知识分类的复杂目标渐近识别方法，其特征在于，该方法包括：/n图像预处理，将原始图像数据集I分为多种级别分辨率的数据集，作为复杂目标渐近识别的基准数据集；/n将图像批量输入在ImageNet数据集上预训练的VGG-16网络进行特征提取；/n将提取到的多种分辨率的特征，进行双线性特征融合计算和三线性特征融合计算；/n利用融合后的特征预测类别。/n

【技术特征摘要】
1.一种基于知识分类的复杂目标渐近识别方法，其特征在于，该方法包括：
图像预处理，将原始图像数据集I分为多种级别分辨率的数据集，作为复杂目标渐近识别的基准数据集；
将图像批量输入在ImageNet数据集上预训练的VGG-16网络进行特征提取；
将提取到的多种分辨率的特征，进行双线性特征融合计算和三线性特征融合计算；
利用融合后的特征预测类别。


2.根据权利要求1所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将原始图像数据集I定义分为分辨率由高到低的三个图像数据集Ihigh,Imedium,Ilow.。


3.根据权利要求2所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将原始图像数据集的分辨率r定义为高分辨率rhigh，图像数据集确定为Ihigh；
逐渐降低原始图像数据集的分辨率来得到另外两种分辨率的图像数据集：
当准确率低于阈值tmed时，根据rmed分辨率，将图像数据集确定为Imedium；
当准确率低于阈值tlow时，根据rlow分辨率，将图像数据集确定为llow。


4.根据权利要求3所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将三种分辨率的图像与生物分类学一一映射：
Ihigh对应物种，Imedium对应属，Ilow对应科。


5.根据权利要求3所述的基于知识分类的复杂目标渐近识别方法，其特征在于，使用SVM分类算法将图像从高分辨率rhigh种向科级别分类，通过准确率阈值tmed和tlow来进行分类。


6.根据权利要求1所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将图像批量输入在ImageNet数据集上预训练的VGG-16网络进行特征提取包括：提取三种分辨率图集的relu5_1,relu5_2,rel...

【专利技术属性】
技术研发人员：胡君，贺东华，方标新，韦章兵，贾小月，殷贺琦，刘丹，
申请(专利权)人：航天信息股份有限公司，
类型：发明
国别省市：北京;11