[發明專利]一種基于元學習的細粒度分類方法

在審

• 申請號: 201811451465.3
• 申請日: 2018-11-30
• 公開（公告）號: CN109711433A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 陸生禮;龐偉;阮小千;范雪梅;武瑞利;向麗蘋;梁彪
• 申請（專利權）人: 東南大學;東南大學—無錫集成電路技術研究所;南京三寶科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 葛瀟敏

1.一種基于元學習的細粒度分類方法，其特征在于包括如下步驟：

步驟1，根據研究機構的公開細粒度分類數據庫或自行搜集的數據建立外部數據集，將數據集分為訓練集、驗證集和測試集，且測試集的樣本類別小于訓練集，訓練集、驗證集和測試集之間的樣本類別互不相交；

步驟2，對數據集中的樣本進行數據增強；

步驟3，建立卷積神經網絡，該卷積神經網絡的輸入為彩色圖片，輸出為彩色圖片所屬類別，分類層的長度等于外部數據集的類別數，損失函數采用softmax loss；采用訓練集訓練細粒度分類網絡；

步驟4，利用測試集對步驟3預訓練好的卷積神經網絡進行測試，并根據測試結果對卷積神經網絡進行微調。

2.如權利要求1所述的一種基于元學習的細粒度分類方法，其特征在于：所述步驟1中，細粒度分類數據庫選擇Caltech-UCSD Brids 200數據集或者DogNet。

3.如權利要求1所述的一種基于元學習的細粒度分類方法，其特征在于：所述步驟1中，將數據集中的所有圖片縮放成卷積神經網絡的輸入尺寸。

4.如權利要求1所述的一種基于元學習的細粒度分類方法，其特征在于：所述步驟3中，采用訓練集訓練細粒度分類網絡的具體過程是：對訓練集進行樣本采集，隨機采集N*K個樣本作為一個樣本集合，接著利用隨機梯度下降的方法進行權重更新，再將更新之后的權重輸入到一個新的樣本集合中，求得誤差，利用Adam優化器對所求的誤差總和進行反向梯度下降，損失函數隨著誤差的反向傳播不斷下降，訓練準確率不斷上升，當損失函數收斂并不再繼續下降時，保存卷積神經網絡模型，得到預訓練好的卷積神經網絡。

5.如權利要求4所述的一種基于元學習的細粒度分類方法，其特征在于：所述步驟4中，對測試集進行樣本采集時，在N類不同的樣本中分別采集K個樣本喂入預訓練好的卷積神經網絡進行測試。

6.如權利要求1所述的一種基于元學習的細粒度分類方法，其特征在于：所述卷積神經網絡采用top-down和bottom-up的模塊結構，每個top-down和bottom-up的結構由四個相連的卷積依次實現降采樣和上采樣的功能，再將所得到的特征和上一個模塊的特征圖相融合，將最后一個top-down和bottom-up輸出的特征圖輸入進一個全連接層，得到輸入至分類層的特征向量。

7.如權利要求6所述的一種基于元學習的細粒度分類方法，其特征在于：所述Top-down,bottom-up模塊包含兩個卷積和兩個反卷積，輸入特征圖首先依次輸入進兩個步長為2的卷積層，得到2*2的輸出特征圖，接著依次輸入進兩個步長為2的反卷積層，得到6*6的輸出特征圖。

8.如權利要求1所述的一種基于元學習的細粒度分類方法，其特征在于：需改變待測試的數據類別時，首先將一個與訓練集樣本類別完全不同的測試集喂入預訓練好的卷積神經網絡中，接著將元學習者的學習率設置為0，將任務學習者的學習率保持不變，利用隨機梯度下降算法對卷積神經網絡模型進行微調，最后將測試集數據喂入微調之后的卷積神經網絡進行測試。

9.如權利要求1所述的一種基于元學習的細粒度分類方法，其特征在于：所述步驟2中，采用如下至少一種方式進行數據增強：平移，縮放，旋轉，翻轉。