[發明專利]面向圖像大數據的類增量分類方法、系統、裝置及介質

有效

• 申請號: 202110223442.2
• 申請日: 2021-03-01
• 公開（公告）號: CN112990280B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 羅榮華;黃圳銘
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/096
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 黎揚鵬

1.一種面向圖像大數據的類增量分類方法，其特征在于，包括初始化訓練階段和增量學習階段；

所述初始化訓練階段包括：

構建圖像的初始數據集；

根據所述初始數據集訓練初始分類模型；

所述增量學習階段包括：

根據所述初始數據集和圖像的新數據構建增量學習數據集；

根據所述初始分類模型獲取增量學習新模型，根據增量學習數據集和蒸餾算法訓練所述增量學習新模型，得到能夠識別新舊類別的模型；

其中，所述蒸餾算法使模型的類間距離擴大及類內距離縮小；

所述訓練初始分類模型的過程中，采用HM-Softmax作為分類損失函數；

所述分類損失函數的公式為：

其中，為所有訓練樣本數量，p_i為模型對樣本x_i輸出預測概率，當p_i小于閾值ε時，

I(p_i)＝1，否則I(1_i)＝0；

所述根據所述初始分類模型獲取增量學習新模型，包括：

將所述初始分類模型的參數進行凍結，作為舊模型；

對所述舊模型進行結構調整，獲得具有類增量學習功能的新模型，作為增量學習新模型；

所述對所述舊模型進行結構調整，包括：

在所述舊模型的全連接層添加k個神經元節點，作為新類別的分類器；

所述增量學習新模型具有s+k個輸出節點，s為舊數據中的類別數量，k為新增的類別數量；

所述根據增量學習數據集和蒸餾算法訓練所述增量學習新模型的步驟，包括：

從所述增量學習數據集中獲取樣本對；

計算所述樣本對在所述舊模型上的特征距離，以及在所述新模型上的特征距離，根據所述特征距離獲取類間距離和類內距離；

當新模型的類間距離小于舊模型的類間距離時，對所述新模型進行調整，以使新模型的類間距離擴大；

當新模型的類內距離大于舊模型的類內距離時，對所述新模型進行調整，以使新模型的類內距離縮小；

所述根據增量學習數據集和蒸餾算法訓練所述增量學習新模型的步驟，還包括：

獲取新模型的分類器輸出的logits，以及舊模型的分類器輸出的logits；

判斷舊模型的logits中的最大預測值是否與標簽相符，若相符，根據舊模型的logits調整新模型的參數，以使新模型的logits接近舊模型的logits；若不相符，忽略舊模型的logits。

2.根據權利要求1所述的一種面向圖像大數據的類增量分類方法，其特征在于，所述根據所述初始數據集和圖像的新數據構建增量學習數據集，包括：

從所述初始數據集中獲取樣本作為舊類別訓練數據；

獲取新數據，對新數據進行預處理，預處理的操作包括對新數據中的圖像進行尺寸歸一化處理以及標注處理；

將所述舊類別訓練數據和預處理后的所述新數據進行混合，獲得增量學習數據集。

3.根據權利要求1所述的一種面向圖像大數據的類增量分類方法，其特征在于，所述初始分類模型采用深度殘差網絡RestNet18作為網絡框架，包括17層卷積層和1層全連接層，且第17層卷積層的輸出不進行Relu函數激活。