[發明專利]一種知識產權圖形識別中增強分類模型抗背景變化能力的方法

在審

• 申請號: 202110323176.0
• 申請日: 2021-03-26
• 公開（公告）號: CN112926679A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 陸虎;蔣可;姚堯;耿霞;王婷婷
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種知識產權圖形識別中增強分類模型抗背景變化能力的方法，其特征在于，包括以下步驟：消去背景的第二原始數據集和替換背景的第三原始數據集是由候選背景集和第一原始數據集通過處理算法處理得到；增強后的第四原始數據集是由第一原始數據集和替換背景的第三原始數據集聯合后得到；消去背景的第二原始數據集和增強后的第四原始數據集成對的輸入用來進行模型訓練。

2.根據權利要求1所述的一種知識產權圖形識別中增強分類模型抗背景變化能力的方法，其特征在于，所述候選背景集是由用戶設置的與第一原始數據集中的樣本的背景存在一定差異的背景圖片所組成。

3.根據權利要求1所述的一種知識產權圖形識別中增強分類模型抗背景變化能力的方法，其特征在于，所述處理算法具體過程為：處理后得到的第二原始數據集中樣本背景皆被消去；處理后得到的第三原始數據集中新的背景來自所述候選背景集；第三原始數據集由消去背景的第二原始數據集和背景數據集合成而來。

4.根據權利要求1所述的一種知識產權圖形識別中增強分類模型抗背景變化能力的方法，其特征在于，所述的模型訓練，將增強后的第四原始數據集樣本以及與該樣本中的前景相對應的所述消去背景的第二原始數據集樣本成對的作為輸入送入模型；

所述的模型訓練中，模型網絡由第一分支和第二分支兩個部分組成，兩個分支的損失相加構成整個模型網絡的分支，所述單個輸入樣本損失構成如下：

L_total＝λ₁L_id+λ₂L_re

其中，λ₁和λ₂為加權系數，y_i為所述第四原始數據集樣本和第二原始數據集樣本對應的真實標簽，為所述模型預測出的標簽，z_i為所述對應的第二原始數據集樣本，為所述第一分支抽取出的最終特征解碼后的樣本；CrossEntropy()為交叉熵損失函數，MSE()為均方差損失函數；

所述的第一分支，輸入為增強后的第四原始數據集樣本，抽取出最終特征后，將該最終特征送入全連接層獲得最終分類結果；

所述的第二分支，輸入為增強后的第四原始數據集樣本中的前景相對應的消去背景的第二原始數據集樣本，并將最終特征進行解碼，得到解碼后樣本，并將解碼后樣本與消去背景的第二原始數據集樣本進行重構損失的計算。

5.根據權利要求4所述的一種知識產權圖形識別中增強分類模型抗背景變化能力的方法，其特征在于，所述的模型訓練中，第一分支輸入的批樣本由所述增強后的第四原始數據集中采樣得到，所述第二分支輸入的批樣本由所述第一分支輸入的批樣本中的每張樣本在消去背景的第二原始數據集中的對應樣本組成。

6.根據權利要求5所述的一種知識產權圖形識別中增強分類模型抗背景變化能力的方法，其特征在于，兩個分支的樣本在送入模型進行訓練之前，經過完全一致的數據增強處理。