一种基于多粒度局部特征软关联聚合的细粒度图像辨识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多粒度局部特征软关联聚合的细粒度图像辨识方法，所述方法包括：对待辨识图像进行增强数据预处理，获得增强后的图像；对所述增强后的图像进行特征提取分别获得粗粒度特征、细粒度特征和中粒度特征；对所述粗粒度特征、细粒度特征和中粒度特征进行软关联聚合后获得待辨识图像的图像辨识结果。本发明专利技术使用多流并行的混合网络提取多粒度局部特征，并使用软关联特征聚合方式对不同维度特征进行有效融合，消除参数冗余、实现信息互补，形成最终表征细粒度识别的统一概率描述，提升辨识精度和时效性。实验结果表明，该方法在分类精度方面表现较好，还可以与其他的模型相结合，以便将来产生更好的结果。

【技术实现步骤摘要】
一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置
本申请涉及图像处理领域，尤其涉及一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置。
技术介绍
深度学习是机器学习中及其重要的研究分支。近年来，具有深层结构的神经网络在图像模式识别方面有了很大的理论和方法突破，在监控系统、智能机器人、视频分析等方面具有了较为成熟的应用。与传统机器学习相比，深度学习网络利用层层递进的网络结构对病虫害进行了分级调整，不再需要人为设计模式特征来完成对病虫害的识别，实现了所谓“端到端”的训练学习过程。由网络自己根据数据设计不同层次的特征，对数据的模式进行逐层抽取特征的方法已经在理论上获得了突破的进展，诸多企业、高校开放研究社区等大力开发的深度学习开源平台，使得卷积神经网络、循环神经网络等深度学习模型成为解决诸多问题的基本模块。其中，卷积神经网络(CNN)在计算机视觉领域的应用尤为广泛，其可以自主学习图像像素特征、底层特征、高层抽象特征直至最终类别间的隐式表达关系，更加有利于捕获数据本身的丰富内涵信息，同时也避免了复杂的人工设计过程，在一系列大规本文档来自技高网...

【技术保护点】
1.一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法，其特征在于，所述方法包括：/n对待辨识图像进行增强数据预处理，获得增强后的图像；/n对所述增强后的图像进行特征提取分别获得粗粒度特征、细粒度特征和中粒度特征；/n对所述粗粒度特征、细粒度特征和中粒度特征进行软关联聚合后获得待辨识图像的图像辨识结果。/n

【技术特征摘要】
1.一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法，其特征在于，所述方法包括：
对待辨识图像进行增强数据预处理，获得增强后的图像；
对所述增强后的图像进行特征提取分别获得粗粒度特征、细粒度特征和中粒度特征；
对所述粗粒度特征、细粒度特征和中粒度特征进行软关联聚合后获得待辨识图像的图像辨识结果。


2.根据权利要求1所述的方法，其特征在于，所述对待辨识图像进行增强数据预处理，获得增强后的图像的过程包括：
对所述待辨识图像进行裁剪缩放、随机翻转、随机旋转、改变图片饱和度和亮度后获得增强后的图像。


3.根据权利要求1所述的方法，其特征在于，所述对所述增强后的图像进行特征提取分别获得粗粒度特征、细粒度特征和中粒度特征的过程包括：
构建骨干网络；
通过所述骨干网络对所述增强后的图像进行处理后输出多维向量；
将所述多维向量分别输入至粗粒度特征提取器、细粒度特征提取器和中粒度特征提取器中获得粗粒度特征、细粒度特征和中粒度特征。


4.根据权利要求3所述的方法，其特征在于，所述骨干网络包括一个输入模块、四个CSPStage模块和一个池化层；
所述通过所述骨干网络对所述增强后的图像进行处理后输出多维向量的过程包括：
将所述增强后的图像通过输入层后输入第一个CSPStage模块获得第一输出，其中，每个CSPStage模块中均包括路径b和路径c，所述第一个CSPStage模块的输入经过所述路径b后获得路径b的输出，所述路径b包括一个卷积层和多个残差块，在每个所述残差块中均包括三个卷积层，所述残差块的输入经过所述三个卷积层后获得的输出与所述残差块的输入相加后获得所述残差块的输出，所述多个残差块的输出为所述路径b的输出，所述第一个CSPStage模块的输入经过所述路径c后获得路径c的输出，所述路径c包括一个卷积层，所述第一个CSPStage模块的输入经过所述路径c的卷积层后的输出为所述路径c的输出，将所述路径b的输出和路径c的输出拼接后输入一个卷积层获得第一输出；
将所述第一输出输入至第二个CSPStage模块，所述第一输出经过一个下采样层获得路径a的输出，将所述路径a的输出作为所述第二个CSPStage模块中路...

【专利技术属性】
技术研发人员：孔建磊，金学波，王小艺，苏婷立，白玉廷，王宏兴，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京;11