[發明專利]一種基于無監督學習的最小量化特征檢測方法

有效

• 申請號: 202011502512.X
• 申請日: 2020-12-17
• 公開（公告）號: CN112613527B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 周明全;劉喆;田琦;耿國華;馮龍;王小鳳;鄧胡承
• 申請（專利權）人: 西北大學
• 主分類號: G06V10/46
• 分類號: G06V10/46;G06V10/26;G06V10/28;G06V10/762;G06V10/764;G06V10/82;G06N3/0464;G06N3/088
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 強宏超

1.一種基于無監督學習的最小量化特征檢測方法，其特征在于包括以下步驟：

步驟一，為得到顯著特征區域，使用VGG16預訓練模型和兵馬俑碎片數據集進行遷移學習，得到一個碎片分類模型，通過對最后一層卷積層的特征提取，將最后一層卷積特征使用加權平均的方法可視化出來，得到可視化特征圖；

步驟二，將步驟一得到的可視化特征圖進行二分類聚類消除噪聲，使用K-Means聚類算法做二分類，分出背景和輪廓特征，得到聚類特征圖；

步驟三，使用Otsu算法將步驟二中得到的聚類特征圖做二值化分割，得到二值化圖像；

步驟四，對步驟三中的二值化圖像進行標注框標注，然后通過仿射變換映射回原圖；

需要做特征圖標注框二維坐標(x，y)到二維坐標(u，v)的線性變換，其數學表達式形式如下：

對應的齊次坐標矩陣表示形式為：

其中，取h₂₀、h₂₁為0，h₂₂為1；

坐標變換：

步驟五，將步驟四中通過仿射變換映射回原圖的區域的進行切割，得到去除背景噪聲后的物體圖，作為第一級注意力機制物體圖；

步驟六，在確定提取到的圖像有良好的分類性能后，將步驟五中第一級注意力機制提取到的物體圖像再次進行特征提取到的圖像再通過預訓練后的VGG16進行第二次特征提取與聚類，使用k-means聚類算法對可視化后的特征圖進行三分類聚類，分出最小量化特征與輪廓，得到三分類聚類圖；

步驟七，將步驟六中得到的三分類聚類圖使用Otsu算法確定聚類特征圖二值化分割閾值，得到二值化圖像；

步驟八，查找步驟七中二值化圖像的輪廓，用標注框標注后通過仿射變換映射回原圖；

步驟九，將經過放射變換后的局部圖像切割下來，即為可量化分類指標。

2.根據權利要求1所述的基于無監督學習的最小量化特征檢測方法，其特征在于：所述步驟二具體過稱為：

將通過卷積層的特征圖融合為一張特征圖后，隨機選取k個聚類質心點為μ₁，μ₂，……，μ_k∈Rⁿ；

重復下面過程直到收斂：

對于每一個樣例i，計算其應該屬于的類

對于每一個類j，重新計算該類的質心

k是事先給定的聚類數，c⁽ⁱ⁾代表樣例i與k個類中距離最近的那個類，c⁽ⁱ⁾的值是1到k中的一個，質心μ_j代表對屬于同一個類的樣本中心點的猜測，拿星團模型來解釋就是要將所有的星星聚成k個星團，首先隨機選取k個宇宙中的點作為k個星團的質心，然后第一步對于每一個星星計算其到k個質心中每一個的距離，然后選取距離最近的那個星團作為c⁽ⁱ⁾，這樣經過第一步每一個星星都有了所屬的星團；第二步對于每一個星團，重新計算它的質心μ_j，重復迭代第一步和第二步直到質心不變或者變化很小，得到一張聚類后的特征圖。