一种应用于无人机图像的高精度多标签分类方法技术

本发明专利技术公开了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。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。本应用于无人机图像的高精度多标签分类方法采用卷积神经网络对采集的图片按标签进行分类，并结合各标签之间的关联度，将二者进行加权，提升对图片分类的精度；本应用于无人机图像的高精度多标签分类方法通过对残差神经网络的池化层的最大池化和平均池化进行加权，可以更好地维持图像的重要特征信息。维持图像的重要特征信息。维持图像的重要特征信息。

【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，卷积神经网络为残差神经网络。
[0010]优选地，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。
[0011]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。
[0012]优选地，损失函数的计算公式如下：
[0013]L
c
＝{L
1，c
，l
2，c
，...，L
n，c
}
T
[0014]且，
[0015]L
n，c
＝W
n，c
[R
c
y
n，c
·
logσ(x
n，c
)+(1
‑
y
n，c
)
·
log(1
‑
σ)(x
n，c
)][0016]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。
[0017]优选地，数据增强包括：
[0018]对采集的图片进行翻转、缩放、平移或颜色变换。
[0019]优选地，计算一个样本同时包含两个不同标签的支持度，包括：
[0020]利用FP
‑
growth算法构件FP树，并采用支持度公式计算一个样本同时包含两种标签出现的支持度，且支持度公式如下：
[0021][0022]其中，bi、bj分别表示两个不同的标签，sup(bi
→
bj)表示标签bi出现时标签bj出现的支持度，num(bi，bj)表示同时包含标签bl和标签bj的样本数，nums表示样本总数。
[0023]优选地，得到每个标签对应的频繁项集合，包括：
[0024]设定一个阈值，若支持度大于阈值，称标签bi和标签bj有关联度，并选出支持度大于阈值的形成频繁项集合，且频繁项集合如下：
[0025][0026]其中，表示频繁项集合，A表示所有与标签b
j
有关联度的标签集合，sup(A
→
b
j
)表示A中所有标签分别与标签b
j
的支持度的集合。
[0027]优选地，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，包括：
[0028]将各所述样本输入至残差神经网络中，残差神经网络包括池化层，通过池化层对样本图像进行最大池化和平均池化后，再进行1x1卷积操作，输出样本图像的两个特征，对样本图像的两个特征进行加权融合后，输入至激活函数中，最后输出每个样本分别属于每个标签的概率。
[0029]优选地，选取概率大于指定第一概率的形成概率子集，包括：
[0030]定义所有标签的集合表示为{b1，b2，...bi...bj...，b
n
}，其中一个样本表示为y
i
，样本y
i
属于各标签的概率集合表示为其中，表示样本y
i
属于标签b
n
的概率，第一概率为0.5。
[0031]选取样本y
i
属于各标签的概率集合中元素大于0.5，形成概率子集。
[0032]优选地，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，包括：
[0033]精准概率计算公式如下：
[0034][0035]其中，表示样本y
i
属于标签b
j
的精准概率，γ表示权重，表示样本y
i
属于标签b
j
的概率，表示频繁项集合中支持度最大的元素。
[0036]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。
[0037]与现有技术相比，本专利技术的有益效果为：
[0038]1、本应用于无人机图像的高精度多标签分类方法采用卷积神经网络对采集的图片按标签进行分类，并结合各标签之间的关联度，将二者进行加权，提升对图片分类的精度；
[0039]2、本应用于无人机图像的高精度多标签分类方法通过对残差神经网络的池化层的最大池化和平均池化进行加权，可以更好地维持图像的重要特征信息。
附图说明
[0040]图1为本专利技术应用于无人机图像的高精度多标签分类方法的模块框图；
[0041]图2为本专利技术卷积神经网络输出每个样本分别属于每个标签的概率的流程图。
具体实施方式
[0042]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0043]需要说明的是，当组件被称为本文档来自技高网...

【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：