[發(fā)明專利]基于信道混合樣本數(shù)據(jù)增強(qiáng)的圖片分類方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110407872.X
• 申請(qǐng)日: 2021-04-15
• 公開(kāi)（公告）號(hào): CN112990233B
• 公開(kāi)（公告）日: 2023-06-16
• 發(fā)明（設(shè)計(jì)）人: 鄒煥新;曹旭;應(yīng)昕怡;李美霖;馬倩;李潤(rùn)林;成飛;賀詩(shī)甜;魏娟;孫麗
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/40;G06V10/774;G06V10/80
• 代理公司: 長(zhǎng)沙國(guó)科天河知識(shí)產(chǎn)權(quán)代理有限公司 43225
• 代理人: 邱軼

1.一種基于信道混合樣本數(shù)據(jù)增強(qiáng)的圖片分類方法，其特征在于，所述方法包括：

構(gòu)建信道混合樣本數(shù)據(jù)增強(qiáng)模型；所述信道混合樣本數(shù)據(jù)增強(qiáng)模型包括兩個(gè)輸入通道：所述輸入通道包括：特征提取層和信道掩膜，所述特征提取層用于對(duì)圖像樣本進(jìn)行特征提取，得到圖像特征，所述圖像特征與所述信道掩膜逐元素相乘，得到預(yù)混合特征，兩個(gè)輸入通道的預(yù)混合特征融合，得到混合樣本；所述信道掩膜是通過(guò)預(yù)先設(shè)置的混合比率參數(shù)生成的，兩個(gè)輸入通道中其中一個(gè)輸入通道的信道掩膜是另一個(gè)輸入通道的信道掩膜取反得到的；

將所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)；

根據(jù)圖像樣本訓(xùn)練所述樣本增強(qiáng)分類網(wǎng)絡(luò)，得到訓(xùn)練好的樣本增強(qiáng)分類網(wǎng)絡(luò)，利用訓(xùn)練好的樣本增強(qiáng)分類網(wǎng)絡(luò)進(jìn)行圖片分類；

從Beta(α,α)中采樣得到混合比率參數(shù)λ；

根據(jù)所述混合比率參數(shù)λ，隨機(jī)選擇全零矩陣的信道分配數(shù)值1，得到其中一個(gè)輸入通道的信道掩膜；

將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)；

或，將多個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型分別插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分類網(wǎng)絡(luò)為Resnet18網(wǎng)絡(luò)，所述Resnet18網(wǎng)絡(luò)包括：第0特征提取層、第1特征提取層、第2特征提取層以及第3特征提取層；

將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)，包括：

將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入Resnet18網(wǎng)絡(luò)的第0特征提取層和第1特征提取層之間，得到樣本增強(qiáng)分類網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將多個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型分別插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)，包括：

將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入Resnet18網(wǎng)絡(luò)的第0特征提取層和第1特征提取層之間，以及將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入Resnet18網(wǎng)絡(luò)的第1特征提取層和第2特征提取層之間；將兩個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型輸出作為另一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型的輸入，并且另一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型的輸出連接第2特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)。

4.一種基于信道混合樣本數(shù)據(jù)增強(qiáng)的圖片分類裝置，其特征在于，所述裝置包括：

增強(qiáng)模型構(gòu)建模塊，構(gòu)建信道混合樣本數(shù)據(jù)增強(qiáng)模型；所述信道混合樣本數(shù)據(jù)增強(qiáng)模型包括兩個(gè)輸入通道：所述輸入通道包括：特征提取層和信道掩膜，所述特征提取層用于對(duì)圖像樣本進(jìn)行特征提取，得到圖像特征，所述圖像特征與所述信道掩膜逐元素相乘，得到預(yù)混合特征，兩個(gè)輸入通道的預(yù)混合特征融合，得到混合樣本；所述信道掩膜是通過(guò)預(yù)先設(shè)置的混合比率參數(shù)生成的，兩個(gè)輸入通道中其中一個(gè)輸入通道的信道掩膜是另一個(gè)輸入通道的信道掩膜取反得到的；

增強(qiáng)分類模型構(gòu)建模塊，將所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)；

分類模塊，用于根據(jù)圖像樣本訓(xùn)練所述樣本增強(qiáng)分類網(wǎng)絡(luò)，得到訓(xùn)練好的樣本增強(qiáng)分類網(wǎng)絡(luò)，利用訓(xùn)練好的樣本增強(qiáng)分類網(wǎng)絡(luò)進(jìn)行圖片分類；從Beta(α,α)中采樣得到混合比率參數(shù)λ；根據(jù)所述混合比率參數(shù)λ，隨機(jī)選擇全零矩陣的信道分配數(shù)值1，得到其中一個(gè)輸入通道的信道掩膜。

5.根據(jù)權(quán)利要求4所述的裝置，其特征在于，所述增強(qiáng)模型構(gòu)建模塊還用于將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)；或，將多個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型分別插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求4所述的裝置，其特征在于，所述增強(qiáng)分類模型構(gòu)建模塊還用于將一個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)；或，將多個(gè)所述信道混合樣本數(shù)據(jù)增強(qiáng)模型分別插入預(yù)先構(gòu)建的分類網(wǎng)絡(luò)的特征提取層，得到樣本增強(qiáng)分類網(wǎng)絡(luò)。