申请/专利权人：燕山大学

申请日：2021-11-23

公开（公告）日：2024-05-03

公开（公告）号：CN114067316B

主分类号：G06V20/69

分类号：G06V20/69;G06N3/0464;G06N3/09;G06F16/951;G06V10/764;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.05.03#授权;2022.03.08#实质审查的生效;2022.02.18#公开

摘要：本发明公开了一种基于细粒度图像分类的快速识别方法，属于深度学习及图像分类技术领域，包括从网络爬取目标图片，制作数据集，用于网络训练和测试，一张图片中实际只有二分之一的区域甚至是四分之一的区域是用于细粒度图像分类，其余部分都是背景区域和干扰噪音，并且图片中不同区域对分类结果的贡献度是不同的，运用Grad‑CAM注意力机制获取高贡献度区域和低贡献度区域，进行框定和裁剪，分别将高贡献度区域和低贡献度区域进行特征融合，将两个计算结果同时送入贡献度模块，通过不同的贡献度影响值计算分类结果。本发明填补了细粒度图像分类在快速识别领域的应用空白。

主权项：1.一种基于细粒度图像分类的快速识别方法，其特征在于：包括以下步骤：步骤1，从网络爬取目标图片，制作数据集，并按比例划分为训练集、验证集和测试集；步骤2，在原双线性神经网络中加入Grad-CAM注意力模块和贡献度模块，得到改进后的双线性神经网络；步骤3，打乱训练集，并每次从中随机抽取相同数量的图片，然后输入改进后的双线性神经网络；步骤4，开始训练参数，框定高贡献区域并裁剪，进行特征融合，通过贡献度模块计算分类结果；具体包括：开始训练参数，框定高贡献区域并裁剪，高贡献度区域和低贡献度区域分别进行双线性特征融合，然后将高贡献度特征融合结果和低贡献度特征融合结果分别送入全连接层分类网络，最后将两个数据同时送入贡献度模块，计算最终分类结果；特征融合公式为：F＝fLAΤfLB式中，fLA是卷积神经网络streamA提取特征并经过阈值处理所得到的特征图，fLB是卷积神经网络streamB提取特征并经过阈值处理所得到的特征图,F是fLA和fLB特征融合后得到的特征图；贡献度公式为：Ffinal＝δ×F高+μ×F低式中，F高是高贡献率区域经过特征融合后得到的特征图，F低是低贡献度区域经过特征融合后得到的特征图，Ffinal是经过贡献度机制计算后得到的最终分类结果，δ为高贡献度系数，μ为低贡献度系数；步骤5，在验证集上验证分类精度，保存训练参数；步骤6，训练结束，选择在训练中分类精度最高的模型载入改进后的双线性神经网络，使用测试集测试分类精度。

全文数据：

权利要求：

百度查询： 燕山大学 一种基于细粒度图像分类的快速识别方法

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