[發明專利]一種面向樹干圖像的開集識別方法

有效

• 申請號: 201910243209.3
• 申請日: 2019-03-28
• 公開（公告）號: CN110097060B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 陳晉音;林翔;賈澄鈺;楊東勇
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 曹兆霞

本發明公開了一種面向樹干圖像的開集識別方法，包括以下步驟：(1)設計CNN模型，采用部分訓練樣本訓練CNN模型后，并構造特征提取器；(2)對經特征提取器提取的特征圖，計算特征圖之間的相似度，并采用DBSCAN算法對特征圖進行聚類；(3)根據特征圖之間的相似度和特征圖的聚類結果設計Loss函數，并根據該Loss函數優化特征提取器的參數和相似度函數的權重參數；(4)將待分類的樹干圖像輸入至優化的特征提取器中，再利用優化的相似度函數計算輸出的特征圖之間的相似度，最后根據計算獲得的相似度值獲得對特征圖的DBSCAN聚類結果。該開集識別方法能夠很好地實現對未知類別的樹干圖像的開集識別。

技術領域

本發明屬于人工智能領域的深度學習算法與開集識別研究領域，具體涉及一種面向樹干圖像的開集識別方法。

背景技術

長久以來，開集識別方法一直是深度學習領域的一個研究熱點。這種方法旨在從數據中發現未知樣本并從中提取有用的特征信息，在信號識別和人臉檢測方面具有廣泛的應用。Jain等提出了基于多分類SVM的開集識別方法，他們使用SVM對概率決策分數進行學習，并通過設置概率閾值來拒絕未知樣本。Bendale等提出了利用深度神經網絡進行開集識別的方法，他們引入了OpenMax層，并用該層來估計輸入樣本屬于未知類的概率。Ge等利用GAN生成未知樣本，再使用這些數據訓練神經網絡，然后將其與OpenMax層結合，同時也使用一個閾值來拒絕未知樣本。Kuniaki等使用對抗訓練方法為已知類別和未知樣本設立邊界，并訓練生成器使目標樣本遠離邊界。這種方法在Office、VisDA和digits數據集上均取得了比較好的實驗結果。

相似度計算是用來衡量數據間相似或相異程度的一種方法。兩個事物越接近，它們的相似性度量也就越大，而兩個事物越疏遠，它們的相似性度量也就越小。不同的相似度計算方法從不同層面反映了數據的接近程度。常用的相似度算法包括歐氏距離、曼哈頓距離、明可夫斯基距離、皮爾遜相關系數、余弦相似度、Jaccard相似系數等，這些計算方法用數量化的方式對數據間的相似程度進行了描述，以便其他算法對這些數據進行分類。

聚類是將物理或抽象對象的集合分成由類似的對象組成多個類的過程。聚類通常按照對象間的相似性進行分組，因此如何描述對象間的相似性是聚類的重要前提。K-means算法是一種經典的聚類算法，這種方法的計算復雜度較低，且在各種數據集上均能取得較好的聚類效果。然而，算法中的聚類個數K往往需要人為給定，這限制了K-means在實際場景中的應用范圍。基于密度的聚類方法能自動確定類簇個數，DBSCAN算法是這類方法的典型代表，它通過引入密度可達的概念，將大于某一密度的點定義為核心點，相鄰核心點相互直接可達，所有相互可達的點形成一個類簇，有效彌補了K-means算法的不足，并增強了對噪聲點的處理能力。

卷積神經網絡是包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。卷積神經網絡仿照生物的視覺機制進行構建，可以進行監督學習和非監督學習，其隱含層內的卷積核參數共享和層間連接的稀疏性使得卷積神經網絡能以較小的計算量來提取圖像的特征。隨著深度學習理論的提出和數值計算設備的改進，卷積神經網絡得到了快速的發展，并被大量應用于計算機視覺、自然語言處理等領域。

發明內容

本發明的目的是設計一種面向樹干圖像的開集識別方法，通過訓練自行設計的CNN模型得到圖像的特征提取器，結合相似度計算方法和DBSCAN算法確定loss函數，通過訓練對特征提取器的參數進行進一步修正，最終在測試集上對所有類別的數據進行特征提取并聚類，從而實現對樹干圖像的開集識別。

本發明的技術方案為：

一種面向樹干圖像的開集識別方法，包括以下步驟：

(1)設計面向樹干圖像的CNN模型，采用部分訓練樣本對CNN模型進行訓練后，并根據訓練的CNN模型構造特征提取器；

(2)對經特征提取器提取的特征圖，計算特征圖之間的相似度，并根據相似度值，采用DBSCAN算法對特征圖進行聚類；