【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别是指一种基于分割引导数据增强的图像融合分类方法及装置。
技术介绍
1、随着深度学习技术的发展，图像分类任务在计算机视觉领域得到了广泛应用，并占据了核心地位，并在自动驾驶、医疗影响分析、人脸识别等多个实际应用场景中应用广泛。深度神经网络凭借其强大的特征提取能力和端到端的学习机制，显著提升了图像分类的准确率和效率。然而，深度学习模型的性能提升在很大程度上依赖于高质量且多样化的训练数据，使其在面对未见过的数据时依然能够保持较高的分类准确率。在实际应用中，获取大量高质量的标注数据往往面临诸多挑战。一方面，数据采集和标注过程通常耗时耗力，尤其是在需要专业知识的领域，获取高质量标注数据的成本更为昂贵。另一方面，训练数据的分布往往不均衡，某些类别的数据可能十分稀缺，导致模型在这些类别上的表现显著不足。此外，随着移动端和嵌入式设备等资源受限平台的普及，轻量级模型（如mobilenet、squeezenet等）的应用需求日益增加，但由于参数量和计算量的限制，其学习能力相对较弱，容易受到训练数据稀缺和分布不均的负面影响，从而导...
【技术保护点】
1.一种基于分割引导数据增强的图像融合分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述S3中的计算每个图像与对应的分割图的余弦相似度，根据所述余弦相似度选择平衡分割图，根据所述平衡分割图构建分割数据集，包括：
3.根据权利要求1所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述S4中的构建距离范数度量以及信息增益，根据所述距离范数度量以及信息增益确定分割图增强数量，包括：
4.根据权利要求3所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述...
【技术特征摘要】
1.一种基于分割引导数据增强的图像融合分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述s3中的计算每个图像与对应的分割图的余弦相似度，根据所述余弦相似度选择平衡分割图，根据所述平衡分割图构建分割数据集，包括：
3.根据权利要求1所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述s4中的构建距离范数度量以及信息增益，根据所述距离范数度量以及信息增益确定分割图增强数量，包括：
4.根据权利要求3所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述s41中的距离范数度量，如下式（2）所示：
5.根据权利要求3所述的基于分割引导数据增强的图像融合分类方法，其特征在于，所述s42中的信息增益，如下式（3）所示：
6.根据权...
【专利技术属性】
技术研发人员：刘艳，杨思琪，李擎，林金辉，孙梦磊，杨耀，沈思垒，魏泽基，白晨成，咸源勐，殷绪成，
申请(专利权)人：北京科技大学，
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。