【技术实现步骤摘要】
一种基于软阈值惩罚机制的弱监督细粒度图像分类方法
[0001]本专利技术涉及图像分类和智能优化
，特别涉及一种基于软阈值惩罚机制的弱监督细粒度图像分类方法。
技术介绍
[0002]MMAL
‑
Net是多分支多尺度学习网络，基于全局特征的弱监督细粒度分类方法。沿用了另一种局部特征分类所用到的方法，以三级级联作为整体架构。MMAL
‑
Net模型分类的准确性较高，在诸多的数据集上能够到达SOTA的准确率，甚至在飞行器数据集上达到94.7％，是目前该数据集的最高准确率。MMAL
‑
Net的算法流程如图2所示。
[0003]MMAL
‑
Net以RA
‑
CNN网络作为基础结构，选用了三级级联网络的方式来进行，在每一级网络上，采用ResNet进行特征的提取与分类，与之不同的是，在每一级网络之间，穿插有两个模块，分别是AOLM(Attention Object Location Module)和APPM(Attention Part Pr...
【技术保护点】
【技术特征摘要】
1.一种基于软阈值惩罚机制的弱监督细粒度图像分类方法，其特征在于，包括：步骤1：基于软阈值惩罚机制，构建二级级联网络结构的细粒度图像分类网络；步骤2：获取待分类图像；步骤3：对所述待分类图像进行预处理；步骤4：基于所述细粒度图像分类网络，对预处理结果进行图像分类，并输出图像分类结果。2.如权利要求1所述的一种基于软阈值惩罚机制的弱监督细粒度图像分类方法，其特征在于，所述步骤1：基于软阈值惩罚机制，构建二级级联网络结构的细粒度图像分类网络，包括：构建第一网络分支，所述第一网络分支包括：依次连接的Input448*448*3、第一ResNet50、Feature14*14*2048、第一GAP、第一FC和第一Softmax；构建第二网络分支，所述第二网络分支包括：依次连接的Input224*224*3*mult、第二ResNet50、Feature*7*7*2048*mult、第二GAP、第二FC和第二Softmax；将所述第二网络分支中的Input224*224*3*mult通过crop与所述第一网络分支中的Input448*448*3连接；将所述第一网络分支中的Feature14*14*2048通过APPM与所述crop连接；为所述第一网络分支设置第一损失函数RawLoss；为所述第二网络分支设置第二损失函数PartLoss；在所述APPM中设置软阈值惩罚机制；所述第一网络分支、第二网络分支、APPM和crop组成二级级联网络结构的细粒度图像分类网络。3.如权利要求2所述的一种基于软阈值惩罚机制的弱监督细粒度图像分类方法，其特征在于，所述APPM是基于SCDA形成，将所述APPM对特征提取出来的所述Feature14*14*2048沿着池化层的通道方向进行合拢，得到14*14*1的二维图，用预设的多个不同尺寸的滑窗对所述二维图进行滑窗计算，计算过程如公式(2
‑
1)所示：其中，H和W分别为滑窗的高度和宽度，A(x，y)为合拢好的二维图的坐标位置对应的数值，a
w
为滑窗计算结果。4.如权利要求2所述的一种基于软阈值惩罚机制的弱监督细粒度图像分类方法，其特征在于，所述第一损失函数RawLoss的公式如公式(2
‑
2)所示：其中，m
i
为第i个样本图像，n
i
为第一卷积神经网络CNN对应于第i个样本图像的预测概率。5.如权利要求2所述的一种基于软阈值惩罚机制的弱监督细粒度图像分类方法，其特征在于，所述第二损失函数PartLoss的公式如公式(2
‑
3)所示：
其中，q为由所述第二ResNet50筛选出的局部特征区域个数，m
iq
为第i个样本图像对应的第q个局部特征区域个数，n
iq
为第二卷积神经网络CNN对应于第i个样本图像对应的第q个局部特征区域个数的预测概率。6.如权利要求2所述的一种基于软阈值惩罚机制的弱监督细粒度图像分类方法，其特征在于，所述软阈值惩罚机制包括：设F(x，y)为不含噪声的图像，N(x，y)为噪声，G(x，y)为噪声影响之后的图像，选用L
1/2
范式进行模型的建立如公式(2
‑
5)所示：i表示的是图像的序号，当进行图像迭代处理时，G(x
i
,y
i
)
‑
F(x
i
,y
i
)出现残差，说明图像中出现噪声，并造成影响；通过软阈值来限定残差状态，先构造惩罚因子||G(x
i
,y
i
)
‑
F(x
i
,y
i
)||
h
，来限制G(x
i
,y
i
)
‑
F(x
i
,y
i
)不大于0，从而降低图像被噪声干扰的程度，如公式(2
【专利技术属性】
技术研发人员：董琴，范浩楠，刘柱，杨国宇，
申请(专利权)人：盐城工学院技术转移中心有限公司，
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。