【技术实现步骤摘要】
基于弱监督学习的细粒度图像识别方法、装置及可读介质
[0001]本专利技术涉及深度学习与计算机视觉领域，具体涉及一种基于弱监督学习的细粒度图像识别方法、装置及可读介质。
技术介绍
[0002]细粒度图像的分类目的在于区分具有细微视觉差异的从属类别，比传统粗粒度图像分类更加具有挑战性。一方面是图像之间的特征差异较小，因此导致判别性的特征更加细微。另一方面是训练数据集有限且图像中存在很多不确定的因素，如光照差异、背景干扰等。细粒度图像分类的关键是获取最显著性的局部差异特征。依据神经网络在训练过程中对训练数据中的监督信息需求的不同，基于细粒度图像分类的研究算法主要分为两大类，一类是基于弱监督的算法，另一类是基于强监督的算法。基于强监督的细粒度分类算法主要做法是除了给出图像的类别标签外，还需以来更多的人工标注信息(如物体标注框和部位标注点等)进行分类的方法。弱监督学习的目标是仅仅依靠类别标签实现细粒度分类任务。目前实现细粒度图像分类大多采用强监督方式，即除类别标签外，还需额外精细标注工作的数据集，消耗大量人力物力，导致严重制约了算法...
【技术保护点】
【技术特征摘要】
1.一种基于弱监督学习的细粒度图像识别方法，其特征在于，包括以下步骤：构建基于注意力机制的VGG_Resception模型并经过两步迁移学习训练，得到经训练的基于注意力机制的VGG_Resception模型，所述基于注意力机制的VGG_Resception模型包括预训练的VGG16模型、Resception部分和注意力机制部分，所述Resception部分包括第四批归一化层、多个Resception模块、第三卷积层和第三批归一化层，所述Resception模块包括基于残差连接的第一卷积层、第一批归一化层、Inception
‑
A单元、第二卷积层和第二批归一化层，所述注意力机制部分包括注意力机制模块、全局平均池化层、全连接层和softmax层，所述两步迁移学习训练过程中包括在源域和过渡域之间的迁移学习以及过渡域与目标域之间的迁移学习，其中所述过渡域为粗粒度图像数据集；获取植物叶片病害程度细粒度图像，并输入所述经训练的基于注意力机制的VGG_Resception模型，输出分类结果。2.根据权利要求1所述的基于弱监督学习的细粒度图像识别方法，其特征在于，所述植物叶片病害程度细粒度图像经过预训练的VGG16模型和Resception部分的多次特征提取与特征融合，得到特征融合数据；并将所述特征融合数据输入到所述注意力机制部分提取细粒度特征并进行分类。3.根据权利要求2所述的基于弱监督学习的细粒度图像识别方法，其特征在于，所述注意力机制模块为SENet网络，所述SENet网络中引入类残差结构，包括依次连接的全局平均池化、两个全连接层和sigmoid层，将所述特征融合数据输入到所述SENet网络中，获取特征图各通道件的全局特征，并激励全局特征，通过得到不同通道的权值，学习到各通道之间的关系，最后乘以原始特征映射得到细粒度特征。4.根据权利要求2所述的基于弱监督学习的细粒度图像识别方法，其特征在于，所述Resception部分包括第一Resception模块、第二Resception模块和第三Resception模块，所述第一批归一化层的输出结果输入所述第一Resception模块，将所述第一批归一化层的输出结果结合所述第一Resception模块的输出进行特征融合后，得到第一特征融合数据，将所述第一特征融合数据输入所述第二Resception模块，将所述第一特征融合数据与所述第二Resception模块的输出进行特征融合后，得到第二特征融合数据，将所述第二特征融合数据输入所述第三Resception模块，将所述第二特征融合数据与所述第三Resception模块的输出进行特征融合后，得到第三特征融合数据，所述第三特征融合数据经过第二卷积层和第二批归一化层后得到第四特征融合数据，将所述第一批归一化层的输出结果与所述第四特征融合数据进行特征融合，得到第五特征融合数据...
【专利技术属性】
技术研发人员：余洪山，赖明明，赵科，
申请(专利权)人：泉州湖南大学工业设计与机器智能创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。