一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法技术

本发明专利技术涉及一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，包括：获取

【技术实现步骤摘要】
一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法、系统、终端及介质


[0001]本专利技术涉及一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法
、
系统
、
终端及介质
。

技术介绍

[0002]在过去的图像分类领域中，主要采用传统的机器学习方法，如
SVM、KNN
等
。
但是传统的机器学习方法由于使用的特征表达缺失
、
效能不足等问题，限制了其在图像分类领域的应用发展
。
[0003]与传统机器学习方法不同的是，卷积神经网络
CNN
在近年来得到了广泛的应用
。CNN
通过学习图像特征进行分类，取得了卓越的性能
。
但是，在细粒度场景下，图像分类存在一定的挑战性，因为许多分类问题需要对不同类别内部的微小变化进行判断和鉴别，例如家禽和犬类狗之间的区别，以及不同品种的面包之间的区别等
。

技术实现思路

[0004]为克服现有技术中的缺陷，本专利技术提出了一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，其具体技术方案如下：
[0005]一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，包括以下步骤：
[0006]获取
RGB
图像并基于
RGB
图像获取
RGB
中3通道数据；
[0007]基于3通道数据进行梯度计算公式得到每个通道的梯度值；
[0008]基于3通道数据和其对应的通道的梯度值进行堆叠处理，输入到卷积神经网络中，并保持输出维度为双数，以实现3通道数据和3通道的梯度值分别卷积得到特征向量；
[0009]将特征向量的前半部分取出经过全卷积处理得到特征值
I
，基于特征值
I
与局部特征值通过
Dice Loss
损失函数计算得到局部特征向量的相似度；
[0010]特征向量的全部送入
FC
层得到的全局特征
y
，之后
y
通过全连接层分类损失函数
CE Loss
处理计算得到全部特征向量的相似值；
[0011]将局部特征向量的相似度和全部特征向量的相似值加权计算
。
[0012]进一步地，所述梯度计算公式包括：
[0013]通道水平梯度计算公式：其中，
i
和
j
表示为求和过程中的索引，即
i
为行的索引，
j
为列的索引，参数
x
和
y
代表像素的坐标；
[0014]通道竖直梯度计算公式：
[0015]计算通道总梯度：
[0016]进一步地，全卷积处理公式：
I
＝
Full CNN(Feature Channle/2[0])。
[0017]进一步地，
Dice Loss
损失函数：
Part Feature Loss
＝
DICE(I
，
I
′
)
，其中，
I`
是
I
～特征图
。
[0018]其中，全连接层分类损失函数
CE Loss
处理公式为：
Overall Feature Loss
＝
CE(FC(Y)
，
Y
′
)
[0019][0020]其中，加权计算公式为：
L
＝
w1·
PartFeature Loss+w2·
OverallFeature Loss。
[0021]本专利技术还提供一种基于特征激活值和图像梯度变化的细粒度图像特征分类系统，包括：
[0022]通道数据获取模块，用于获取
RGB
图像并基于
RGB
图像获取
RGB
中3通道数据；
[0023]梯度计算模块，用于基于3通道数据进行梯度计算公式得到每个通道的梯度值；
[0024]堆叠处理模块，用于基于3通道数据和其对应的通道的梯度值进行堆叠处理，输入到卷积神经网络中，并保持输出维度为双数，以实现3通道数据和3通道的梯度值分别卷积得到特征向量；
[0025]全卷积处理模块，用于将特征向量的前半部分取出经过全卷积处理得到特征值
I
，基于特征值
I
与局部特征值通过
Dice Loss
损失函数计算得到局部特征向量的相似度；
[0026]全连接层分类处理模块，用于将特征向量的全部送入
FC
层得到的全局特征
y
，之后
y
通过全连接层分类损失函数
CE Loss
处理计算得到全部特征向量的相似值；
[0027]加权处理模块，用于将局部特征向量的相似度和全部特征向量的相似值加权计算
。
[0028]一种终端，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现如以上所述的方法中的步骤
。
[0029]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如以上所述的方法中的步骤
。
[0030]本专利技术的有益效果是：
[0031]1、
提高分类的准确率和鲁棒性：引入图像梯度，图像梯度反映了图像中不同区域的边缘信息和细节特征，能进一步更好的表达图像描述，同时通过使用堆叠梯度
、
全卷积和分支网络等技术，进一步提高模型的表现力，从而可以有效地提高分类的准确率和鲁棒性，适用于细分类等高精度要求的任务
。
[0032]2.
提高模型的可解释性和可理解性：该方案依然沿用了本专利技术中基于特征激活图监督和图像梯度变化特征融合的核心思想，并在此基础上采用了全卷积和分支网络等技术，可以更好地解释模型对特征的感知和辨别能力，进一步提高了模型的可解释性和可理解性
。
[0033]3.
实现局部特征和全局特征的联合训练：使用全卷积网络对前半部分通道进行局部特征监督，实现局部特征和全局特征的联合训练，可以使模型更加全面地掌握图像信息，提高分类的准确性
。
[0034]因此，该方案不仅可以帮助提高细分类任务的准确性和鲁棒性，同时也可以提高模型的可解释性和可理解性
。
附图说明
[0035]其中：
[0036]图1是本专利技术方法的流程框图
。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，包括以下步骤：获取
RGB
图像并基于
RGB
图像获取
RGB
中3通道数据；基于3通道数据进行梯度计算公式得到每个通道的梯度值；基于3通道数据和其对应的通道的梯度值进行堆叠处理，输入到卷积神经网络中，并保持输出维度为双数，以实现3通道数据和3通道的梯度值分别卷积得到特征向量；将特征向量的前半部分取出经过全卷积处理得到特征值
I
，基于特征值
I
与局部特征值通过
Dice Loss
损失函数计算得到局部特征向量的相似度；特征向量的全部送入
FC
层得到的全局特征
y
，之后
y
通过全连接层分类损失函数
CE Loss
处理计算得到全部特征向量的相似值；将局部特征向量的相似度和全部特征向量的相似值加权计算
。2.
根据权利要求1所述一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，其特征在于：所述梯度计算公式包括：通道水平梯度计算公式：其中，
i
和
j
表示为求和过程中的索引，即
i
为行的索引，
j
为列的索引，参数
x
和
y
代表像素的坐标；通道竖直梯度计算公式：计算通道总梯度：
3.
根据权利要求1所述一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，其特征在于：全卷积处理公式：
I
＝
Full CNN(Feature Channle/2[0])。4.
根据权利要求1所述一种基于特征激活值和图像梯度变化的细粒度图像特征分类方法，其特征在于：
Dice Loss
损失函数：
Part Feature Loss
＝
DICE(I
，
I
′
)
，其中，
I`
是
I
～特征图
。...

【专利技术属性】
技术研发人员：何厚峰，周有喜，邹春友，
申请(专利权)人：深圳市芯联信息技术有限公司，
类型：发明
国别省市：