[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

本發明公開一種基于元學習的細粒度分類方法，步驟是：建立外部數據集，將數據集分為訓練集、驗證集和測試集，三者之間的樣本類別互不相交，且測試集的樣本類別小于訓練集；對數據集中的樣本進行數據增強；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；利用測試集對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。此種方法可以快速生成一個良好的通用初始化模型，可以使得在測試相關但不同的類別時，僅用較少的樣本就可以取得較好的分類效果，來解決細粒度分類時沒有大數據集的問題。

技術領域

本發明屬于計算推算的技術領域，尤其屬于細粒度分類的計算機視覺技術領域，涉及一種基于元學習的細粒度分類方法。

背景技術

細粒度圖像識別是圖像分類中一個具有挑戰性的任務，其目標是在一個大類中的眾多子類中正確地識別目標。總體而言，細粒度圖像分類是尋找一些細微的局部區域，并利用這些局部區域的特征對原圖進行分類。但是，當前的細粒度分類算法基本上都是采用通用模型(如VGG16)來進行細粒度分類，這樣就限制了分類模型的結構且遷移效果也不是很好。因此我們利用元學習的方法來快速生成一個良好的通用初始化模型，再在這個初始化模型的基礎上進行細粒度分類。

現有的細粒度分類算法是都是采用大數據集對模型進行訓練，并得到比較好的結果。在這種情況下，需要大數據集給深度神經網絡提供大量的樣本來提取豐富的特征。但是，如果我們要針對某個小樣本的數據集進行細粒度分類，我們就不能利用傳統的細粒度分類的方法進行處理。

深度神經網絡提高模型的辨識度，但是網絡訓練耗費大量的時間和運算資源，因此一般我們會采用傳統的已經訓練好的神經網絡進行微調，但是傳統的神經網絡的模型結果已經固定，不利于我們多樣化的模型選擇；另一方面，細粒度圖像分類不同于傳統的分類問題，它注重對圖像的局部區域的區分，因此其對模型的要求和一般的分類算法有所不同。為了更好地解決細粒度圖像分類問題，需要一個簡便精準的學習方法，本案由此產生。

發明內容

本發明的目的，在于提供一種基于元學習的細粒度分類方法，可以快速生成一個良好的通用初始化模型，可以使得在測試相關但不同的類別時，僅用較少的樣本就可以取得較好的分類效果，來解決細粒度分類時沒有大數據集的問題。

為了達成上述目的，本發明的解決方案是：

一種基于元學習的細粒度分類方法，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，采用如下至少一種方式進行數據增強：平移，縮放，旋轉，翻轉；

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。

上述步驟1中，細粒度分類數據庫選擇Caltech-UCSD Brids 200數據集或者DogNet。

上述步驟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。