一种基于细粒度图像分类的快速识别方法技术

本发明专利技术公开了一种基于细粒度图像分类的快速识别方法，属于深度学习及图像分类技术领域，包括从网络爬取目标图片，制作数据集，用于网络训练和测试，一张图片中实际只有二分之一的区域甚至是四分之一的区域是用于细粒度图像分类，其余部分都是背景区域和干扰噪音，并且图片中不同区域对分类结果的贡献度是不同的，运用Grad

【技术实现步骤摘要】
一种基于细粒度图像分类的快速识别方法


[0001]本专利技术涉及深度学习及图像分类
，尤其是一种基于细粒度图像分类的快速识别方法。

技术介绍

[0002]近年来，人工智能技术飞速发展，神经网络和计算机视觉研究更是取得了重大突破，各种新型网络及其改进型相继提出，细粒度图像分类的精确度因此不断提高。随着精确度的提高，细粒度图像分类技术被广泛投入实际应用，极大的方便了人们的生活和工作。细粒度图像分类应用领域十分广泛，在动物保护方面，细粒度图像分类可以在相机拍摄到动物照片之后，自动识别出属于哪个种类，不需要人为辨认，节省了人力资源和降低了人眼识别的错误率；在产品质量检测方面，可以自动识别出产品的裂纹等瑕疵，提高了生产效率。
[0003]但是细粒度图像分类技术在医疗器械领域的应用十分匮乏，主要原因有以下几点：一、细粒度图像分类技术正处于快速发展阶段，研究成果少且精确度低，技术状态不稳定；二、医疗是关乎生命的大事，因此对精确度的要求相当高，在此之前细粒度图像分类的精度达不到标准。

技术实现思路

[0004]本专利技术需要解决的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度图像分类的快速识别方法，其特征在于：包括以下步骤：步骤1，从网络爬取目标图片，制作数据集，并按比例划分为训练集、验证集和测试集；步骤2，在原双线性神经网络中加入Grad
‑
CAM注意力模块和贡献度模块，得到改进后的双线性神经网络；步骤3，打乱训练集，并每次从中随机抽取相同数量的图片，然后输入改进后的双线性神经网络；步骤4，开始训练参数，框定高贡献区域并裁剪，进行特征融合，通过贡献度模块计算分类结果；步骤5，在验证集上验证分类精度，保存训练参数；步骤6，训练结束，选择在训练中分类精度最高的模型载入改进后的双线性神经网络，使用测试集测试分类精度。2.根据权利要求1所述的一种基于细粒度图像分类的快速识别方法，其特征在于：在步骤2中，特征提取器采用VGG
‑
16神经网络，输出一个14
×
14
×
512的特征图，该特征图的激活值和反向传播梯度信息中包含了特征图每一个位置对于分类结果的贡献度，由此可得出贡献度权重其公式如下：式中，g
c
是该特征图关于标签类别c的反向传播梯度值，是位置(i，j)处特征图的激活值，m是特征图像素点的个数，Z是权重累加次数，是偏导数；得到贡献度权重之后，与特征图进行加权相乘，使其线性表示，然后通过ReLU层，得到关于标签类别c贡献度图L
c
，其公式如下：式中，M
m
是具有所有像素点的特征图激活值；得到贡献度图之后，需要通过阈值框定贡献度高的区域，然后依照阈值框裁剪特征图，分离高贡献度区域和低贡献度区域，其公式为：式中，f(L)是经过阈值处理后的特征图，IOU是临界阈值。3.根据权利要求1所述的一种基于细粒度图像分类的快速识别方法，其特征在于：在步骤3中，为了防止训练过程中出现过拟合现象，在每一轮训练时都要将图片的训练顺序打乱，并从训练集中抽取相同数量的图片，送进改进后的双线性神经网络进行训...

【专利技术属性】
技术研发人员：李国强，邱新雷，
申请(专利权)人：燕山大学，
类型：发明
国别省市：