一种用于细粒度图像分类的损失函数可变超参数确定方法技术

本发明专利技术公开了一种用于细粒度图像分类的损失函数可变超参数确定方法，首先将图像数据集的数据输入网络进行训练；其次，确定TriHard损失函数中的超参数数值，通过将样本间的距离矩阵与标签信息进行关联，然后根据标签的信息定量的得出标签对任务的影响程度，进而来确定超参数，本发明专利技术属于深度学习技术领域，具体是指一种用于细粒度图像分类的损失函数可变超参数确定方法。

【技术实现步骤摘要】
一种用于细粒度图像分类的损失函数可变超参数确定方法
本专利技术属于深度学习
，具体是指一种用于细粒度图像分类的损失函数可变超参数确定方法。
技术介绍
深度学习中的损失函数是整个网络模型中十分重要的部分，其作用是衡量真实样本与预测样本之间的差异，通过对预测样本和真实样本标记产生的误差反向传播指导网络参数学习。损失函数在图像分类中主要为了刻画出图像的特征分布，它将一个高维的图像特征通过梯度下降法映射成另外一个低维的图像特征，将高维的输入转化为一个低维的实数，即损失值。而细粒度图像分类中的损失函数是需要寻找输入图像中最有区分性的区域，不断放大区分性区域层中的细节，加速网络对该区域特征的学习。常用的损失函数有：均方误差损失函数、交叉熵损失函数、相对熵损失函数和TriHard损失函数。TriHard损失函数相比其他损失函数能够更好地用于细粒度图像分类，但是TriHard损失函数在解决细粒度图像分类问题时也有一些不足。由于细粒度图像的类别精度更加细致，类间差异更加细微，分类任务更加复杂，所以TriHard损失函数中采用固定超参数来解决复杂细粒本文档来自技高网...

【技术保护点】
1.一种用于细粒度图像分类的损失函数可变超参数确定方法，其特征在于，包括以下步骤：/n1)输入图像数据集的数据，训练网络：首先将训练集中的样本图像随机划分到支持集S和它的标签，查询集Q和它的标签，然后将数据集和标签输入损失函数超参数确定模型进行训练，得到一个预测值。/n2)利用TriHard损失函数，计算损失，TriHard损失函数计算公式如下：/n

【技术特征摘要】
1.一种用于细粒度图像分类的损失函数可变超参数确定方法，其特征在于，包括以下步骤：
1)输入图像数据集的数据，训练网络：首先将训练集中的样本图像随机划分到支持集S和它的标签，查询集Q和它的标签，然后将数据集和标签输入损失函数超参数确定模型进行训练，得到一个预测值。
2)利用TriHard损失函数，计算损失，TriHard损失函数计算公式如下：



其中，表示选取正样本对中距离最大，即相似度最小的样本，表示选取负样本对中距离最小，即相似度最大的样本，超参数m表示一个可变的边界值；
超参数m的计算公式如下：



式(2)中表示支持集中第i个嵌入空间的嵌入函数，S表示支持集，表示嵌入函数最后一维的长度；



式(3)将转变成形状为的矩阵，Nc表示类别总数，Ns表示支持集的类别数，然后对维度Ns进行求和得到



式(4)计算中各个特征向量之间的欧氏距离得到矩阵；
Label＝Labelone-hot*τ(5)
式(5)由于经过one-hot后的标签数值与距离矩阵中的数值差距过大，此时...

【专利技术属性】
技术研发人员：高发荣，骆行昇，杨张义，张启忠，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33