【技术实现步骤摘要】
一种应用于无人机图像的高精度多标签分类方法
[0001]本专利技术属于图像分类领域,具体涉及一种应用于无人机图像的高精度多标签分类方法。
技术介绍
[0002]随着人工智能、计算机视觉、视觉传感器技术的不断发展,基于图像的各种技术在无人机上的应用越来越广泛。对图像上所有的目标进行多标签分类是无人机感知功能的重要前提,对于图像的多标签分类,现有方法将多分类问题转换为多个二分类问题,但是此类方法泛化能力差并且没有将标签之间的相关性考虑进来,识别精度不高。
技术实现思路
[0003]本专利技术的目的在于针对解决
技术介绍
中提出的问题,提出一种应用于无人机图像的高精度多标签分类方法。
[0004]为实现上述目的,本专利技术所采取的技术方案为:
[0005]本专利技术提出的一种应用于无人机图像的高精度多标签分类方法,包括通过无人机采集图片,对图片中不同类别的目标进行不同的标签标注,为每张图像生成对应的标签序列,以一张图片及其对应的标签序列为一个样本,生成样本数据集。
[0006]计算一个样本同时包含两个不同标签的支持度,得到每个标签对应的频繁项集合。
[0007]采用训练好的卷积神经网络输出每个样本分别属于每个标签的概率,选取概率大于指定第一概率的形成概率子集。
[0008]对概率子集中每个概率采用频繁项集合进行加权,计算得到每个样本分别属于每个标签的精准概率,当精准概率大于指定的第二概率,认为样本属于对应的标签,完成标签分类。
[0009]优选地,卷积神经网络为残 ...
【技术保护点】
【技术特征摘要】
1.一种应用于无人机图像的高精度多标签分类方法,其特征在于:所述应用于无人机图像的高精度多标签分类方法,包括:通过无人机采集图片,对图片中不同类别的目标进行不同的标签标注,为每张图像生成对应的标签序列,以一张图片及其对应的标签序列为一个样本,生成样本数据集;计算一个样本同时包含两个不同标签的支持度,得到每个标签对应的频繁项集合;采用训练好的卷积神经网络输出每个样本分别属于每个标签的概率,选取概率大于指定第一概率的形成概率子集;对概率子集中每个概率采用频繁项集合进行加权,计算得到每个样本分别属于每个标签的精准概率,当精准概率大于指定的第二概率,认为样本属于对应的标签,完成标签分类。2.如权利要求1所述的应用于无人机图像的高精度多标签分类方法,其特征在于:所述卷积神经网络为残差神经网络。3.如权利要求2所述的应用于无人机图像的高精度多标签分类方法,其特征在于:所述卷积神经网络训练时,采集图片若干张,并对各图片进行数据增强后,划分为训练集和验证集;然后将训练集输入至卷积神经网络中,对卷积神经网络进行训练,且定义损失函数检验卷积神经网络训练的结果,并检验结果反馈给卷积神经网络训练。4.如权利要求3所述的应用于无人机图像的高精度多标签分类方法,其特征在于:所述损失函数的计算公式如下:L
c
={l
1,c
,l
2,c
,...,l
n,c
}
T
且,l
n,c
=W
n,c
[R
c
y
n,c
·
log σ(x
n,c
)+(1
‑
y
n,c
)
·
log(1
‑
σ)(x
n,c
)]其中,c表示标签,L
c
表示标签c的损失值,l
n,c
表示样本n在标签c上的损失值,T表示矩阵转置,n表示样本数量,W
n,c
和σ分别表示超级参数,R
c
表示标签c取值为1是的权重调节系数,R
c
>1表示增加召回率,R
c
<1表示增加精度,y
n,c
表示第n个样本中的标签c对应的属性,表示n个样本中的标签c残差神经网络的输出值。5.如权利要求3所述的应用于无人机图像的高精度多标签分类方法,其特征在于:所述数据增强包括:对采集的图片进行翻转、缩放、平移或颜色变换。6.如权利要求1所述的应用于无人机图像的...
【专利技术属性】
技术研发人员:占启航,刘庆杰,徐庶,
申请(专利权)人:中国电子科技南湖研究院,
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。