[發明專利]一種基于深度學習的屬性分類識別方法

有效

• 申請號: 201710599506.2
• 申請日: 2017-07-21
• 公開（公告）號: CN107506786B
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 凌賀飛;馬冬冬;李平
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 廖盈春;李智

1.一種基于深度學習的屬性分類識別方法，其特征在于，包括：

(1)卷積神經網絡對輸入的圖像數據進行處理分別得到第一特征向量與n個第二特征向量，其中，所述第一特征向量為n*1維的向量，每一維表示屬性為正樣本的概率，所述第二特征向量為2*1維的向量，表示屬性為正/負樣本的概率，n為屬性類別的數量；

(2)將所述n個第二特征向量進行融合得到第三特征向量，其中，所述第三特征向量為n*1維的向量，每一維表示屬性為正樣本的概率；

(3)將所述第一特征向量與所述第三特征向量進行融合得到目標特征向量，其中，所述目標特征向量為n*1維的向量，每一維融合了所述第一特征向量相應維的屬性與所述第三特征向量相應維的屬性之間的關系；

(4)將所述目標特征向量輸入損失函數進行迭代訓練，直至所述損失函數收斂，輸出屬性分類識別結果。

2.根據權利要求1所述的方法，其特征在于，步驟(2)具體包括以下子步驟：

(2.1)將每個所述第二特征向量均擴展為n*1維向量，其中，在每個擴展后的n*1維向量中，僅保留所述第二特征向量對應屬性為正樣本的概率，其余元素均設置為0；

(2.2)將n個n*1維向量相加，得到擴展之后的第三特征向量。

3.根據權利要求1或2所述的方法，其特征在于，步驟(3)具體包括：

由融合函數：C＝(1-α)A+αB將所述第一特征向量與所述第三特征向量進行融合得到目標特征向量，其中，α是融合函數中的權值參數，A為所述第三特征向量，B為所述第一特征向量。

4.根據權利要求1所述的方法，其特征在于，在步驟(4)中的損失函數為：其中，表示第i張圖像中第l種屬性輸出的概率，y_il表示第i張圖像中第l種屬性的真實標簽，N表示圖片數量。

5.根據權利要求1所述的方法，其特征在于，所述卷積神經網絡包括5個卷積層以及3個全連接層，在所述卷積神經網絡的每一層之后，均添加一個ReLu層，在第一個ReLu層之后，添加一個最大池化層，在第二個ReLu層之后，添加一個局部標準化層，在第5個ReLu層之后，添加一個最大池化層。