申请/专利权人：丁杰轩;贾立锋

申请日：2022-07-08

公开（公告）日：2023-01-31

公开（公告）号：CN115661503A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08

优先权：["20210713 CN 2021107918086"]

专利状态码：在审-实质审查的生效

法律状态：2023.02.17#实质审查的生效;2023.01.31#公开

摘要：本发明公开了一种基于歧视增强的开集增量图像分类方法，在每次进行图像分类类别的增量时，仅使用最新的新增类别图像数据，而无需使用旧类别图像数据，进行模型训练得到第i次新增类别图像分类模型ModelA_i和第i次增量学习图像分类模型ModelB_i；并在对目标图像数据x进行分类时，结合开集识别算法和歧视增强方法，采用旧类别输出逻辑作为判定归类于旧类别的目标图像数据x的分类结果，采用新增类别输出逻辑作为判定归类于第i次新增类别的目标图像数据x的分类结果；因此，本发明能够在不占用内存来保存旧类别训练数据的情况下，解决深度增量学习的灾难性遗忘问题，确保对目标图像数据x进行包含旧类别和历次新增类别的新旧类别分类的准确性。

主权项：1.一种基于歧视增强的开集增量图像分类方法，其特征在于，包括：在每次进行图像分类类别的增量时，按照包含步骤S1和步骤S2的训练阶段进行模型训练，以及，在第i次增量之后至第i+1次增量之前的期间，按照包含步骤S3至步骤S5的应用阶段对目标图像数据x进行分类；步骤S1、获取能够对归类于原始类别的图像数据进行正确分类的原始图像分类模型Model’，其中，该原始图像分类模型Model'通过用归类于所述原始类别的原始类别训练数据对神经网络模型Model进行训练得到，所述原始类别属于所述图像数据的图像分类类别；步骤S2、当所述图像数据的图像分类类别进行第i次增量时，进行重新训练，以得到能够对归类于第i次新增类别的图像数据进行正确分类的第i次新增类别图像分类模型ModelA_i，并且，进行增量学习，以得到能够对归类于旧类别和第i次新增类别的图像数据进行分类的第i次增量学习图像分类模型ModelB_i；其中，所述第i次新增类别为所述第i次增量所新增的图像分类类别，当i＝1也即第1次增量时，所述旧类别即为所述原始类别，当i≥2时，所述旧类别为所述原始类别和第1次增量至第i-1次增量所新增的图像分类类别的合集；步骤S3、利用开集识别算法，判断目标图像数据x归类于所述旧类别，还是归类于所述第i次新增类别；步骤S4、利用歧视增强方法对所述第i次增量学习图像分类模型ModelB_i的全连接层参数进行修改，以将所述第i次增量学习图像分类模型ModelB_i的输出逻辑分别修改为：用于旧类别图像数据的旧类别输出逻辑O1m+nx，以及，用于第i次新增类别图像数据的新增类别输出逻辑步骤S5、当所述步骤S3判断目标图像数据x归类于所述旧类别时，采用步骤S4所述旧类别输出逻辑O1m+nx作为所述目标图像数据x的分类结果；当所述步骤S3判断目标图像数据x归类于所述第i次新增类别时，采用步骤S4所述新增类别输出逻辑作为所述目标图像数据x的分类结果。

全文数据：

权利要求：

百度查询： 丁杰轩;贾立锋 一种基于歧视增强的开集增量图像分类方法

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