【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其是结合异构局部图的渐进式网络的废钢图像细粒度分类方法。
技术介绍
1、废钢图像分类属于计算机视觉和模式识别领域里面的细粒度图像分类，由于不同级别的废钢价格悬殊，其质量直接影响了钢企的生产成本和产品质量，因此，对废弃钢材实现等级划分是一项重要和极具挑战的研究课题。不同于普通的图像分类，废钢图像分类旨在对粗粒度的废钢图像大类别进行更加细致的子类划分，从而实现对不同类型的废钢划分等级。由于不同类别的废钢外观相似，类间差异性更加细微，并且不同的图像可能因为废钢的摆放位置、光照、背景等干扰使得同一类别有着巨大的方差，这些问题都使得废钢图像细粒度分类更加具有挑战性。近年来的许多研究表明，解决细粒度分类的问题关键是更有区分度的表征学习和定位目标特征显著的部分，并且，局部部分之间其实是存在一定的联系的。y.ding使用稀疏注意力采样目标显著性部位。wangz设计了一个图传播子网络寻找显著性的局部区域，并且使用gcn学习区域特征向量之间的内部语义相关性。s.wang使用gnn对子类的显著性区域间的语义关系进行建模从而学习重要...
【技术保护点】
1.结合异构局部图的渐进式网络的废钢图像细粒度分类方法，用于对废弃钢材进行等级区分，其特征在于：所述渐近式网络为卷积神经网络，使用监控摄像机采集的废钢图像作为卷积神经网络训练的数据集；所述方法首先在仅使用图像类别标签的情况下，从不同的训练迭代阶段和网络特征提取阶段对注意力信息进行集成从原图像中定位到含关键信息的目标区域，接着在目标图像中采样显著性的局部部件，对关键的局部细节信息进行学习，最后，构建一个完整的异构局部图，对不同局部区域之间的语义关系进行学习从而增强特征的判别性。
2.根据权利要求1所述的结合异构局部图的渐进式网络的废钢图像细粒度分类方法，其特...
【技术特征摘要】
1.结合异构局部图的渐进式网络的废钢图像细粒度分类方法，用于对废弃钢材进行等级区分，其特征在于：所述渐近式网络为卷积神经网络，使用监控摄像机采集的废钢图像作为卷积神经网络训练的数据集；所述方法首先在仅使用图像类别标签的情况下，从不同的训练迭代阶段和网络特征提取阶段对注意力信息进行集成从原图像中定位到含关键信息的目标区域，接着在目标图像中采样显著性的局部部件，对关键的局部细节信息进行学习，最后，构建一个完整的异构局部图，对不同局部区域之间的语义关系进行学习从而增强特征的判别性。
2.根据权利要求1所述的结合异构局部图的渐进式网络的废钢图像细粒度分类方法，其特征在于：所述方法包括以下步骤；
3.根据权利要求2所述的结合异构局部图的渐进式网络的废钢图像细粒度分类方法，其特征在于：所述步骤s3中，采用多层集成的方法获得目标图像，使用网络最后一个卷积块conv_final和其上一个卷积块conv_before输出的特征分别计算出对应的二值掩码图和由二者来共同决定目标连通区域的位置
4.根据权利要求3所述的结合异构局部图的渐进式网络的废钢图像细粒度分类方法，其特征在于：所述步骤s4中，在对目标图像进行区域采样时，设置3类不同等级大小共8种anchor，分别为:{[4×4,3×5],[6×6，5×7],[8×8,...
【专利技术属性】
技术研发人员：陈飞，陈权，王衍根，程航，王美清，刘蓉，
申请(专利权)人：福州大学，
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。