申请/专利权人：北京工业大学

申请日：2021-01-25

公开（公告）日：2024-03-29

公开（公告）号：CN112800927B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/774;G06V10/80;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.06.01#实质审查的生效;2021.05.14#公开

摘要：本发明公开了一种用于基于AM‑Softmax损失的蝴蝶图像细粒度识别方法，属于计算机视觉领域；具体步骤包括：首先选择使用网络收集以及标注的334类蝴蝶数据集作为实验数据集，并进行预处理操作；然后，建立双线性模型；其次，使用AM‑Softmax作为损失函数，选择优化方法，设置合适的学习率以及迭代次数等超参数，训练双线性网络，训练完成后保存模型；最后，对测试集图像进行测试，输出分类准确率。本说明在计算机视觉、细粒度识别领域具有一定的研究意义和价值。

主权项：1.一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法，其特征在于：包括以下步骤：步骤1：预处理蝴蝶图像细粒度识别数据集，构建的334类共N幅蝴蝶图像的数据集D上面进行验证，将每一种类的数据集以8:2的比例划分为训练和测试图像，最终得到训练集Dt和测试集Ds，整个蝴蝶图像数据集表示为D＝{Ii,yi}，1≤i≤N，其中Ii表示蝴蝶图像，yi表示类别标签；步骤2：构建基础网络，选择VGG-16的前13层作为基础网络，该基础网络由5个卷积块组成，其中前两个卷积块包含两个卷积层和一个池化层，后三个卷积块包含三个卷积层和一个池化层，其中每个卷积核大小都是3×3，采用最大池化的方式；基础网络的输入为彩色图像Ii∈Rh×w×3，其中h和w分别表示图像的高度和宽度，3表示图像的通道个数，网络的输出为多通道的特征；步骤3：构建双线性网络模型，此网络包含A和B两个并行的分支，其中A分支用于提取细粒度特征，B分支用于定位区域，这两个分支都使用步骤2中的基础网络：步骤4：建立网络的损失函数，使用AM-Softmax作为损失函数，表示为： 其中，f代表输出层的输入，是最后一个全连接层权值矩阵W的第yp列，yp代表第p个样本真实标签的序号，m通常是一个大于1的整数，s为缩放因子；步骤5：网络训练：设置迭代次数、学习率超参数，使用随机梯度下降算法对网络参数进行迭代更新，保存最终的模型；步骤6：网络测试：加载保存的模型，将测试集Ds输入网络中，获得最终的分类准确率；步骤3包括以下步骤：步骤3.1:对于第p幅训练图像Ip∈Rh×w×3，1≤ρ≤Nt，双线性网络首先分别使用A和B两个分支提取特征，得到两个维度相同的特征和步骤3.2：将特征和分别拉伸成一个向量，表示为： 其中，vector·表示向量化操作；步骤3.3：使用外积操作对和进行特征融合，表示为： 其中，bip表示第p幅图像Ip融合后的特征；步骤3.4:将bip拉伸为向量，得到第p幅图像Ip的双线性特征：Bip＝vectorbip其中，vector·表示向量化操作；步骤3.5:将获取到的双线性特征做如下标准化计算： 其中，zp表示第p幅图像Ip归一化后的双线性特征；步骤3.6：使用softmax分类器对归一化后的双线性特征zp进行分类，得到输出结果op∈R1×C，表示为： 其中C代表图像类别的个数。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法

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