基于直推式半监督深度学习的细粒度图像分类方法技术

本发明专利技术公开的基于直推式半监督深度学习的细粒度图像分类方法，包括以下步骤：准备细粒度图像的半监督学习训练样本集，将训练样本集划分为有标注训练样本集和无标注训练样本集；构建树型类层级结构；根据类层级结构，搭建深度卷积神经网络模型；在有标注训练样本集上训搭建的网络模型；为所有训练样本推断出对应的层级类标签向量集合；为每一个训练样本计算出与之对应的置信度；使用整个训练样本集从随机初始化开始训练搭建的网络模型；重复执行步骤5～7，直到前后两轮次所学习到的网络模型对无标注样本所推断出的细粒度类标签向量基本一致；将待分类的细粒度图像输入训练好的网络模型，在细粒度分类层得到该图像的预测类别。在细粒度分类层得到该图像的预测类别。在细粒度分类层得到该图像的预测类别。

【技术实现步骤摘要】
基于直推式半监督深度学习的细粒度图像分类方法


[0001]本专利技术属于计算机视觉细粒度图像分类
，涉及基于直推式半监督深度学习的细粒度图像分类方法。

技术介绍

[0002]细粒度图像分类是对某一粗粒度基类的细粒度子类进行识别，例如区分不同车型的车、不同种类的鸟、不同型号的飞行器等等。细粒度图像分类具有广泛的应用，细粒度图像分类的应用场景包括车辆精细识别、飞行器精细识别、花朵或植物的精细识别、垂直搜索、动物保护中鸟或狗的精细识别等。细粒度图像分类的难点主要在于：类间相似性和类内多样性。
[0003]对于细粒度图像分类问题，许多基于部位的方法已经被提出来，基于部位的方法的核心思想是先通过定位有判别性的目标部位来捕捉细微的局部差异，再提取出不同部位的特征，最后根据特征训练分类器。基于部位的方法严重依赖于精准的部位检测，精准的部位检测是另外一个极具挑战性研究课题，并且在出现遮挡、较大的视角和姿态变化时，部位检测器将无法检测到相应部位。部位检测器的训练往往需要大量带目标物体标注框和部位标注的训练样本。显然，对目标物体部位进行标注比对目标物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于直推式半监督深度学习的细粒度图像分类方法，其特征在于：具体包括如下步骤：步骤1，获取细粒度图像的半监督学习训练样本集，将训练样本集划分为有标注训练样本集和无标注训练样本集；步骤2，根据细粒度类的语义信息，将细粒度类组织成一个树型的类层级结构；步骤3，根据步骤2所得的类层级结构，搭建深度卷积神经网络模型；步骤4，在有标注训练样本集上训练步骤3搭建的网络模型直到网络模型收敛；步骤5，基于当前学习到的网络模型，为所有训练样本推断出对应的层级类标签向量集合；步骤6，基于当前学习到的网络模型和所推断出的训练样本的层级类标签向量集合，为每一个训练样本计算出与之对应的置信度；步骤7，基于当前的所有训练样本的层级类标签向量集合和置信度，使用整个训练样本集从随机初始化开始训练步骤3搭建的网络模型直到网络模型收敛；步骤8，重复执行步骤5～7，直到前后两轮次所学习到的网络模型对无标注样本所推断出的细粒度类标签向量基本一致；步骤9，将待分类的细粒度图像输入到步骤8训练好的网络模型，在细粒度分类层得到该图像的预测类别。2.根据权利要求1所述的基于直推式半监督深度学习的细粒度图像分类方法，其特征在于：所述步骤1的具体过程为：定义D＝L∪U为细粒度图像的半监督学习训练样本集，其中，和分别表示有标注和无标注训练样本集；X
i
表示第i个训练样本图像；如果X
i
∈L，那么是相应的细粒度类标签向量，y
i
中有且仅有一个元素为1，其余全部为0；如果X
i
含有第j类，那么y
ij
＝1，否则y
ij
＝0；K表示细粒度类别总数，L和U分别表示有标注和无标注训练样本的数量；定义N＝L+U为训练样本图像的总数。3.根据权利要求2所述的基于直推式半监督深度学习的细粒度图像分类方法，其特征在于：所述步骤2的具体过程为：对于一个细粒度图像分类数据集，根据细粒度类的语义信息将该数据集组织成一个树型的类层级结构，最下层的叶子节点表示细粒度类，上层的节点表示父类；一个具有类层级结构的细粒度图像数据集描述为：每一个样本图像X
i
都与一个层级类标签向量集合相关联，表示样本X
i
在类层级结构第j层的类标签向量，K
(j)
是第j层的类别总数，k表示类层级结构的层数。定义类层级结构的第一层为细粒...

【专利技术属性】
技术研发人员：石伟伟，黑新宏，谢国，王晓帆，贾萌，鲁晓锋，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：