基于差异性学习的分类识别方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种基于差异性学习的分类识别方法、装置和电子设备，该方法中，先对图像样本中随机选择的两个图像样本进行模糊剪切融合，得到多个组合图像样本，然后，确定各组合图像样本的组合式标签和差异性标签，最后，通过多个组合图像样本、组合式标签和差异性标签对初始分类识别模型进行训练，进而得到基于差异性学习的分类识别模型。上述分类训练学习过程中，引入了有序性差异性学习的任务，即回归模块的训练，这样差异性学习任务能够学习到组合图像样本中的两个图像样本之间的有序性差异，进而，促进基于差异性学习的分类识别模型中分类模块更好地学习到组合图像样本中各目标的类别，提高了模型的分类准确性。提高了模型的分类准确性。提高了模型的分类准确性。

【技术实现步骤摘要】
基于差异性学习的分类识别方法、装置和电子设备


[0001]本专利技术涉及图像处理的
，尤其是涉及一种基于差异性学习的分类识别方法、装置和电子设备。

技术介绍

[0002]图像有序性识别是计算机视觉中一个非常挑战性的问题，在实际场景中受到越来越多的关注，通常被定义成一个分类的任务。该问题在计算机视觉领域有着非常广泛的应用，比如年龄估计、美学估计、图像质量评估等。它与普通图像分类最大的区别是图像间存在着有序性关系，有序性估计问题的标签可以是连续的或者离散的，所以该问题的模型设计思路也不一样。
[0003]图像有序性分类问题需要对许多相似的目标进行分类，属于一种特殊的精细分类问题，其固有的类内差距小、类间差距不大的特性使得该问题非常有挑战性。人类能够判断不同人的年龄，即使在他们差距不大的情况下。在有序性问题中，需要教会机器去学习大量的有序性子类，这些对象总体上非常相似，但是存在着某种细微的有序性差别。事实上，哪怕是非常细微的差异，人类也具备发现这种差异的能力。
[0004]但是，如何使得机器也能准确的识别上述差异成为目前亟需解决的技术问题。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于差异性学习的分类识别方法、装置和电子设备，以缓解现有技术无法准确的识别相似目标的差异，导致分类准确性差的技术问题。
[0006]第一方面，本专利技术实施例提供了一种基于差异性学习的分类识别方法，包括：
[0007]从不同的有序性类别样本中获取带有标签的图像样本，并对所述图像样本中随机选择的两个图像样本进行模糊剪切融合，得到多个组合图像样本；
[0008]根据组成每个所述组合图像样本的图像样本的标签确定各所述组合图像样本的组合式标签和差异性标签；
[0009]通过多个所述组合图像样本、各所述组合图像样本的组合式标签和差异性标签对初始分类识别模型进行训练，得到基于差异性学习的分类识别模型，其中，所述基于差异性学习的分类识别模型包括：特征提取模块、分类模块和回归模块。
[0010]进一步的，对所述图像样本中随机选择的两个图像样本进行模糊剪切融合，包括：
[0011]在所述图像样本中随机选择两个图像样本；
[0012]对选择的每个图像样本进行高斯模糊处理，得到两个高斯模糊处理后的图像样本；
[0013]对两个所述高斯模糊处理后的图像样本进行剪切式融合，得到选择的两个所述图像样本对应的组合图像样本，进而得到多个所述组合图像样本。
[0014]进一步的，若两个所述高斯模糊处理后的图像样本为和对两个所述
高斯模糊处理后的图像样本进行剪切式融合，包括：
[0015]在高斯模糊处理后的图像样本中随机选择剪切区域的中心点，设置剪切区域的长和宽，并根据所述剪切区域的长、宽和所述剪切区域的中心点确定剪切区域在高斯模糊处理后的图像样本上的横坐标的起止位置和纵坐标的起止位置；
[0016]将高斯模糊处理后的图像样本上的横坐标的起止位置和所述纵坐标的起止位置所包围的区域内的元素设置为0，其余元素设置为1，得到剪切区域的二元矩阵；
[0017]采用剪切式融合算式对所述高斯模糊处理后的图像样本和进行剪切式融合，其中，表示所述组合图像样本，M表示所述剪切区域的二元矩阵。
[0018]进一步的，根据组成每个所述组合图像样本的图像样本的标签确定各所述组合图像样本的组合式标签和差异性标签，包括：
[0019]所述组合图像样本的组合式标签为：其中，表示所述组合式标签，y
i
表示组成所述组合图像样本中除剪切区域之外的区域对应的图像样本的标签，λ表示融合因子，其值与剪切区域和所述组合图像样本中除剪切区域之外的区域的面积比例相关，y
i
′
表示组成所述组合图像样本的剪切区域对应的图像样本的标签；
[0020]对组成每个所述组合图像样本的图像样本的标签进行数值化，得到组成每个所述组合图像样本的图像样本的数值化标签；
[0021]对所述数值化标签进行差值计算并取绝对值，得到所述组合图像样本的差异性标签。
[0022]进一步的，所述特征提取模块，用于对所述组合图像样本进行特征提取，得到所述组合图像样本的特征；
[0023]所述分类模块，用于对所述组合图像样本的特征进行分类，得到所述组合图像样本中各对象的类别；
[0024]所述回归模块，用于对所述组合图像样本的特征进行回归，得到所述组合图像样本中各对象的差异性。
[0025]进一步的，训练时的损失函数为：
[0026][0027]其中，f
k
(W
c
,x
i
)表示分类输出概率分布的第k个元素，表示组合图像样本的有序性差异值的预测输出。
[0028]进一步的，所述方法还包括：
[0029]获取待分类图像；
[0030]将所述待分类图像输入至所述基于差异性学习的分类识别模型，输出得到所述待分类图像的类别信息。
[0031]第二方面，本专利技术实施例还提供了一种基于差异性学习的分类识别装置，包括：
[0032]模糊剪切融合单元，用于从不同的有序性类别样本中获取带有标签的图像样本，并对所述图像样本中随机选择的两个图像样本进行模糊剪切融合，得到多个组合图像样本；
[0033]确定单元，用于根据组成每个所述组合图像样本的图像样本的标签确定各所述组合图像样本的组合式标签和差异性标签；
[0034]训练单元，用于通过多个所述组合图像样本、各所述组合图像样本的组合式标签和差异性标签对初始分类识别模型进行训练，得到基于差异性学习的分类识别模型，其中，所述基于差异性学习的分类识别模型包括：特征提取模块、分类模块和回归模块。
[0035]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
[0036]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
[0037]在本专利技术实施例中，提供了一种基于差异性学习的分类识别方法，包括：从不同的有序性类别样本中获取带有标签的图像样本，并对图像样本中随机选择的两个图像样本进行模糊剪切融合，得到多个组合图像样本；根据组成每个组合图像样本的图像样本的标签确定各组合图像样本的组合式标签和差异性标签；通过多个组合图像样本、各组合图像样本的组合式标签和差异性标签对初始分类识别模型进行训练，得到基于差异性学习的分类识别模型，其中，基于差异性学习的分类识别模型包括：特征提取模块、分类模块和回归模块。通过上述描述可知，本专利技术的基于差异性学习的分类识别方法中，先对图像样本中随机选择的两个图像样本进行模糊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于差异性学习的分类识别方法，其特征在于，，包括：从不同的有序性类别样本中获取带有标签的图像样本，并对所述图像样本中随机选择的两个图像样本进行模糊剪切融合，得到多个组合图像样本；根据组成每个所述组合图像样本的图像样本的标签确定各所述组合图像样本的组合式标签和差异性标签；通过多个所述组合图像样本、各所述组合图像样本的组合式标签和差异性标签对初始分类识别模型进行训练，得到基于差异性学习的分类识别模型，其中，所述基于差异性学习的分类识别模型包括：特征提取模块、分类模块和回归模块。2.根据权利要求1所述的方法，其特征在于，对所述图像样本中随机选择的两个图像样本进行模糊剪切融合，包括：在所述图像样本中随机选择两个图像样本；对选择的每个图像样本进行高斯模糊处理，得到两个高斯模糊处理后的图像样本；对两个所述高斯模糊处理后的图像样本进行剪切式融合，得到选择的两个所述图像样本对应的组合图像样本，进而得到多个所述组合图像样本。3.根据权利要求2所述的方法，其特征在于，若两个所述高斯模糊处理后的图像样本为和对两个所述高斯模糊处理后的图像样本进行剪切式融合，包括：在高斯模糊处理后的图像样本中随机选择剪切区域的中心点，设置剪切区域的长和宽，并根据所述剪切区域的长、宽和所述剪切区域的中心点确定剪切区域在高斯模糊处理后的图像样本上的横坐标的起止位置和纵坐标的起止位置；将高斯模糊处理后的图像样本上的横坐标的起止位置和所述纵坐标的起止位置所包围的区域内的元素设置为0，其余元素设置为1，得到剪切区域的二元矩阵；采用剪切式融合算式对所述高斯模糊处理后的图像样本和进行剪切式融合，其中，表示所述组合图像样本，M表示所述剪切区域的二元矩阵。4.根据权利要求3所述的方法，其特征在于，根据组成每个所述组合图像样本的图像样本的标签确定各所述组合图像样本的组合式标签和差异性标签，包括：所述组合图像样本的组合式标签为：其中，表示所述组合式标签，y
i
表示组成所述组合图像样本中除剪切区域之外的区域对应的图像样本的标签，λ表示融合因子，其值与剪切区域和所述组合图像样本中除剪切区域之外的区域的面积比例相关，y
i
′
表示组成所述组合...

【专利技术属性】
技术研发人员：章超，程建梅，刘宇洋，白云，丁睿，
申请(专利权)人：四川警察学院，
类型：发明
国别省市：