基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法技术

本发明专利技术涉及一种基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，包括：S1、利用添加了FPN网络的Swin‑Transfomer网络对烟叶图像提取多层令牌特征图；S2、利用K‑means聚类算法和高斯函数对令牌特征图进行软阈值加权；S3、叠加多层令牌特征图的注意力分布，使用可学习参数将最后一层令牌特征图划分为主要令牌特征图和次要令牌特征图；S4、聚合主要令牌特征图的上下文信息，融合入原始特征图，再将令牌特征视为节点，根据节点相似性建图；S5、通过图卷积神经网络聚合所有信息得到分类预测结果。该方法有利于提高烟叶图像细粒度分类的精度。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，具体涉及一种基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法。

技术介绍

1、烟草行业在我国的经济中占有重要地位，在烟叶的收购与加工过程中，如何快捷准确的进行烟叶分类至关重要。目前在烟草行业对烟叶的分类工作，主要以人工分类的方式进行，而人工分类低效率、低准确率，难以应对任务量巨大的烟叶分级需求。因此，烟叶图像细粒度分类问题研究具有重要的科研意义和实际应用价值。

2、细粒度图像分类(fgvc)是计算机视觉和模式识别中的一个长期而基本的问题，是对大类下的子类进行识别。近年来结合fgvc对烟叶图像进行细粒度分类的方法相比人工分类更准确更高效，逐渐成为了烟叶分级的主流方法，如贾炳文提出结合改进的k-mean算法和rgb颜色空间完成烟叶图像的分割；并建立了c-tnet卷积神经网络模型实现烟叶图像的识别；苏明秋设计了提取主脉与支脉夹角的算法，并将提取出来的角度与hsi颜色空间模型提取的色度和多尺度特征提取的卷积神经网络获得的深层特征相结合，创建了烟叶分类模型。原有的烟叶图像细粒度分类方法大多基于卷积神经网络，而近年来基于s本文档来自技高网...

【技术保护点】

1.一种基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，包括：

2.根据权利要求1所述的基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，步骤S1中，将烟叶图像输入添加了FPN网络的Swin-Transfomer网络，提取多层令牌特征图Z1,Z2,...ZN，其中Ci表示每层令牌特征图的令牌特征数量，Hi表示每层令牌特征图的高度，Wi表示每层令牌特征图的宽度。

3.根据权利要求2所述的基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，步骤S2中，利用K-means聚类算法从最后一层令牌特征图中随机选取3...

【技术特征摘要】

1.一种基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，包括：

2.根据权利要求1所述的基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，步骤s1中，将烟叶图像输入添加了fpn网络的swin-transfomer网络，提取多层令牌特征图z1,z2,...zn，其中ci表示每层令牌特征图的令牌特征数量，hi表示每层令牌特征图的高度，wi表示每层令牌特征图的宽度。

3.根据权利要求2所述的基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，步骤s2中，利用k-means聚类算法从最后一层令牌特征图中随机选取3个ti作为初始聚类中心计算令牌特征与每个聚类中心的欧式距离，计算公式为：

4.根据权利要求3所述的基于软阈值加权和上下文聚类图卷积的烟叶图像细粒度分类方法，其特征在于，步骤s3中，对于网络提取的其余层令牌特征图z1,z2,...zn-1，其中将令牌特征图分别通过一层线性变换mlp使得各层令牌特征图变换维度到cn×hi×wi，并通过e...

【专利技术属性】
技术研发人员：连长伟，陈献勇，龚涛，王衍根，陈权，陈飞，
申请(专利权)人：中国烟草总公司福建省公司，
类型：发明
国别省市：