申请/专利权人：南京邮电大学

申请日：2019-12-26

公开（公告）日：2022-09-06

公开（公告）号：CN111144490B

主分类号：G06K9/62

分类号：G06K9/62;G06N3/04;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2022.09.06#授权;2020.06.05#实质审查的生效;2020.05.12#公开

摘要：一种基于轮替知识蒸馏策略的细粒度识别方法。包括如下步骤，步骤S1、利用卷积神经网络训练获取卷积特征图；步骤S2、对卷积特征图聚类，获取通道指示向量，通过通道指示向量训练channelgroup模块，生成注意力掩模；步骤S3、根据注意力掩模获取局部图，再将局部图与全局图通过轮替知识蒸馏策略训练，得到细粒度图像。本发明利用卷积神经网络训练获取卷积特征图;再对卷积特征图进行聚类得到通道指示向量，根据通道指示向量预训练channelgroup模块，生成注意力掩模，获取局部图，最后将局部图与全局图通过轮替知识蒸馏策略训练。通过本发明可以解决细粒度图像中局部信息缺失、传统方法抗干扰能力差等问题，极大的提高了细粒度图像分类的准确率。

主权项：1.一种基于轮替知识蒸馏策略的细粒度识别方法，其特征在于，包括如下步骤，步骤S1、利用卷积神经网络训练获取卷积特征图；步骤S2、对卷积特征图聚类，获取通道指示向量，通过通道指示向量训练channelgroup模块，生成注意力掩模；步骤S3、根据注意力掩模获取局部图，再将局部图与全局图通过轮替知识蒸馏策略训练，得到细粒度图像；步骤S2中，生成注意力掩模的具体流程为，步骤S21、遍历所有样本，找出特征图中最大值的坐标，构建位置坐标；第K个特征图所对应的位置向量为 其中，W为训练样本数量，为第i个样本第k个特征图的最大值坐标，位置向量的维数为2W维；步骤S22、采用子空间聚类对位置向量进行聚类，簇数为4，划分为四种不同的局部区域；步骤S23、根据聚类结果获取卷积特征图的通道指示向量；步骤S24、构建channelgroup模块，该模块由全连接层FC1、激活层tanh、全连接层FC2和激活层sigmoid构成，通道指示向量作为channelgroup模块的标签，利用均方误差损失进行训练，使channelgroup模块的输出与通道指示向量保持一致；并通过损失函数微调channelgroup模块，该函数为：Lcg＝Lcng+0.1Lbound；其中，Lcng可凝聚相同位置的注意力掩模，并将不同位置的注意力掩模相互分离；再利用Lbound优化channelgroup模块的参数，即： Htx，ty，tw，th＝[hx-tx-hx-tx-tw]·[hy-ty-hy-ty-th]，hx＝1[1+exp-kx]，其中，tx，ty，tw，th为目标区域的位置，是通过卷积特征图生成的粗糙目标掩模，再通过CRF方法获取精细化的目标掩模，tx，ty为目标区域左上角坐标，tw，th为目标区域框的大小，Htx，ty，tw，th近似为二维阶跃函数，Htx，ty，tw，th可由x轴方向上的sigmoid函数和y方向上的sigmoid函数构成，k控制sigmoid函数hx的梯度。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于轮替知识蒸馏策略的细粒度识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD