[發明專利]一種卷積神經網絡目標分類方法

有效

• 申請號: 201911040260.0
• 申請日: 2019-10-29
• 公開（公告）號: CN110880018B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 焦繼超;鄧中亮;劉煒倫;莫耀凱;邱德武;焦劍;崔巖松
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/774;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 丁蕓;馬敬

1.一種卷積神經網絡目標分類方法，其特征在于，應用于模型訓練過程，所述方法包括：

步驟A，獲取樣本圖像的特征向量；

步驟B，計算所述樣本圖像的特征向量與各子類特征中心向量間的第一余弦值向量，其中，所述第一余弦值向量包括所述樣本圖像的特征向量與各子類特征中心向量間的夾角的余弦值；

步驟C，根據所述第一余弦值向量，確定所述第一余弦值向量的第一夾角，其中，所述第一夾角為所述樣本圖像的特征向量與目標類特征中心向量間的夾角，所述目標類特征中心向量為所述樣本圖像對應的正確分類所對應的所述子類特征中心向量；

步驟D，分別計算所述目標類特征中心向量與各子類特征中心向量間夾角的余弦值，將目標類特征中心向量自身相乘的對應項置零，確定其中最大的余弦值對應的夾角值，通過第一預設公式得到動態加角余量；

步驟E，根據所述動態加角余量與所述第一夾角，通過第二預設公式得到第二夾角，通過對所述第二夾角求余弦，得到第二余弦值，并利用所述第二余弦值替換所述第一余弦值向量中特征向量與所述目標類特征中心向量間的夾角的余弦值，得到第二余弦值向量；

步驟F，將所述第二余弦值向量輸入模型的歸一化層，通過所述歸一化層獲取樣本圖像的特征分布概率；

步驟G，通過預設損失函數，根據所述特征分布概率，計算模型的損失；

步驟H，根據所述模型的損失，對模型的參數進行調整；

步驟I，重復上述步驟A至步驟H，直至所述模型的損失小于預設率閾值時，得到訓練好的模型。

2.根據權利要求1所述的方法，其特征在于，所述分別計算所述目標類特征中心向量與各子類特征中心向量間夾角的余弦值，將目標類特征中心向量自身相乘的對應項置零，確定其中最大的余弦值對應的夾角值，通過第一預設公式得到動態加角余量，包括：

分別計算所述目標類特征中心向量與各子類特征中心向量間夾角的余弦值，將目標類特征中心向量自身相乘的對應項置零，確定其中最大的余弦值對應的夾角值，通過公式：

得到動態加角余量，其中，l、s、b是經驗值的超參數，θ_max為最大的余弦值對應的夾角值，v_yi為動態加角余量。

3.根據權利要求1所述的方法，其特征在于，所述根據所述動態加角余量與所述第一夾角，通過第二預設公式得到第二夾角，通過對所述第二夾角求余弦，得到第二余弦值，并利用所述第二余弦值替換所述第一余弦值向量中特征向量與所述目標類特征中心向量間的夾角的余弦值，得到第二余弦值向量，包括：

根據所述動態加角余量以及所述目標類特征中心向量間的夾角，通過公式：

θ_y′_i＝θ_yi+v_yi

得到第二夾角，其中，v_yi為動態加角余量，θ_yi為特征向量與目標類特征中心向量間的夾角，θ_yi′為通過第二預設公式求得的第二夾角；

根據第二夾角，通過對所述第二夾角求余弦，得到第二余弦值，并利用所述第二余弦值替換所述第一余弦值向量中特征向量與目標類特征中心向量間的夾角的余弦值，得到第二余弦值向量。

4.根據權利要求1所述的方法，其特征在于，所述通過預設損失函數，根據所述特征分布概率，計算模型的損失，包括：

通過公式：

根據所述特征分布概率，計算模型的損失，其中，L為分類概率的損失，y_j為第j個樣本圖像的實際分類的概率，S_j為第j個樣本圖像的特征分布概率，T是用于訓練的人臉類別數。