【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种基于选择性原型损失函数的多标签图像分类方法。
技术介绍
1、随着深度学习的发展，多标签学习的作用得到挖掘与实现。多标签学习是指每个图像可以同时属于多个类别的任务。与传统的单标签分类不同，多标签学习允许一个数据点拥有超过一个相关的类别标签，因其能够更真实地反映现实世界中对象和事件的复杂性而受到重视。
2、多标签也表明了训练对象需要更多的标签，而获取全面且准确的标签信息通常需要专业知识以及大量的人力物力投入，随着标签数量的增加，标注难度也随之上升，这进一步加剧了数据准备阶段的成本问题。因此，现有技术通常采用部分标注方法，部分标注方法指的是对于某些训练图像，只知道它们属于哪些类别的一部分，而其余的真实标签未被标注或未知。
3、但是，实际数据集往往存在类别分布不均的现象，即某些类别拥有较多的训练图像，而其他类别则相对较少，这种图像不平衡会导致模型倾向于预测多数类，而对于少数类的识别能力较差；再者，在许多实际应用中，只能获得部分标签信息，在这种部分标注的情况下，现有模型难以有效地利用已...
【技术保护点】
1.一种基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述基于选择性原型损失函数的多标签图像分类方法包括如下步骤：
2.如权利要求1所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述选择性原型损失函数获取如下：
3.如权利要求2所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述分别计算全部图像对应类别的语义特征和原型集合之间的余弦相似度和每个类别的概率置信度，公式如下：
4.如权利要求1所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述卷积神经网络模型包括依次连接的骨干网络、...
【技术特征摘要】
1.一种基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述基于选择性原型损失函数的多标签图像分类方法包括如下步骤：
2.如权利要求1所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述选择性原型损失函数获取如下：
3.如权利要求2所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述分别计算全部图像对应类别的语义特征和原型集合之间的余弦相似度和每个类别的概率置信度，公式如下：
4.如权利要求1所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述卷积神经网络模型包括依次连接的骨干网络、语义解析模块、类别关系构建模块和类别概率预测模块，其中：
5.如权利要求4所述的基于选择性原型损失函数的多标签图像分类方法，其特征在于：所述特征对齐采用view...
【专利技术属性】
技术研发人员：胡海根，陈宇翔，苏一平，陈琦，张笑钦，
申请(专利权)人：浙江工业大学，
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。