【技术实现步骤摘要】
本专利技术涉及图像处理、对比学习图像分类，尤其是涉及一种基于图像熵恒定的数据增强及图像分类方法。
技术介绍
1、近年来，对比学习作为一种自我监督学习技术，在视觉表示学习领域取得了显著的成功。它巧妙地利用未标记的训练数据生成成对的增强数据，将分类任务转化为预训练任务。通过比较相似与不同的对，对比学习的目标是学习出通用且鲁棒的特征表示。与传统的深度学习方法不同，对比学习不再局限于探索扰动不变性，而是着眼于在局部和全局表示之间进行对比，以更精准地捕捉结构信息。在无标注数据的情况下，对比学习逐渐缩小了无监督学习与监督学习之间的性能差距。
2、然而，传统的对比学习方法在生成对比对时，往往会倾向于产生简单或琐碎的对比，如局部面片、纹理、高频分量，甚至是人工添加的特征。这些对比对在广义特征表示学习上并不十分有效，引发了人们对在真实场景中部署这些模型的担忧。
3、为了克服这一挑战，近期关于自监督学习的研究强调了强大的数据扩充在对比学习中的重要性。对比学习方法通过精心设计的增强技术来构建正对，并将它们的表征紧密地结合在一起。这些增...
【技术保护点】
1.一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，所述样本图像的图像熵为：
3.根据权利要求2所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，样本图像的一维直方图为：
4.根据权利要求3所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，所述P稳定分布函数为复合分布。
5.根据权利要求4所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，所述复合分布为：
6.根据权利...
【技术特征摘要】
1.一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，所述样本图像的图像熵为：
3.根据权利要求2所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，样本图像的一维直方图为：
4.根据权利要求3所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，所述p稳定分布函数为复合分布。
5.根据权利要求4所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，所述复合分布为：
6.根据权利要求5所述的一种基于图像熵恒定的数据增强的图像分类方法，其特征在于，将样本图像切片和对应的随机矩阵切片进行矩阵乘法得到图像熵恒定的增强样本的具体步骤为：
7...
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。