[發明專利]基于多模多目標進化優化的車輛圖像分類方法在審
| 申請號： | 202210079740.3 | 申請日： | 2022-01-24 |
| 公開（公告）號： | CN114299459A | 公開（公告）日： | 2022-04-08 |
| 發明（設計）人： | 田野;李東旭;張亞杰;張興義 | 申請（專利權）人： | 安徽大學 |
| 主分類號： | G06V20/54 | 分類號： | G06V20/54;G06F30/20;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06F111/06 |
| 代理公司： | 安徽省合肥新安專利代理有限責任公司 34101 | 代理人： | 陸麗莉;何梅生 |
| 地址： | 230601 安*** | 國省代碼： | 安徽;34 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 多目標 進化 優化 車輛 圖像 分類 方法 | ||
1.一種基于多模多目標進化的車輛圖像分類方法，其特征在于，包括以下步驟：
步驟1、數據的預處理；
步驟1.1、采集帶有類別標簽的P個車輛圖像樣本，并對P個車輛圖像樣本的特征屬性分別進行提取后，得到P個車輛圖像的樣本數據，其中，第p個車輛圖像的樣本數據，記為(Xp,Yp)，Xp表示第p個車輛圖像樣本的屬性特征，且表示第p個車輛圖像樣本的第i個屬性特征，Yp表示第p個車輛圖像樣本的類別標簽，m表示特征向量的個數；
步驟1.2、對所述第p個車輛圖像樣本的屬性特征Xp進行標準化處理后，得到第p個車輛樣本圖像的特征向量表示第p個車輛圖像樣本的第i個特征，由X′p和Yp組成第p個樣本空間(X′p,Yp)，從而得到訓練數據集
步驟2、定義網絡分類模型結構；
所述圖像分類模型結構由兩類模塊構成，分別是正常模塊和降維模塊，所述正常模塊和降維模塊的節點數量相同，且均由輸入層、中間層和輸出層組成；
其中，輸入層有兩個節點，分別用于接收前兩個模塊的輸出，輸入層的兩節點之間無連接，中間層有四個節點，輸出層有一個節點；
定義候選操作集合O中包含分離卷積操作、空洞分離卷積操作、平均池化操作，最大池化操作、恒等操作、直連操作；
所述候選連接操作集合O用于選擇兩類模塊的輸入層的節點與中間層的節點之間邊所對應的候選操作以及中間層的自身節點之間邊所對應的候選操作；
步驟3、隨機初始化降維模塊的結構并固定，以搜索令模型性能最優的正常模塊；
步驟3.1、初始化參數，包括：種群規模Z，當前個體序號z，當前進化代數G＝1、最大進化代數Gmax，邊的數量N，決策變量的個數D，子種群的數量K、方向向量GV；
步驟3.2、定義第G代進化的第z個個體的二進制編碼其中，的取值為0或1，表示第G代進化的第z個個體是否選擇第a條邊對應的第b個候選操作，|O|表示候選操作集合O的元素個數，N表示模塊內邊的數量；
令第z個個體的實數編碼其中，表示第z個個體選擇第a條邊對應的第b個候選操作的概率；
步驟3.3、構造初始化第G代進化的種群：
步驟3.3.1、初始化第G代進化的一組零向量為第G代進化的方向向量；表示第G次進化中第a個模塊對應的第b個操作對應的方向向量；
步驟3.3.2、令z＝1；
步驟3.3.3、將第G代進化的種群中第z個個體對應的實值編碼設為隨機值，二進制編碼初始為D維的零向量；
步驟3.3.4、從第G代進化的種群中第z個個體的實數編碼中隨機選擇兩個概率進行比較，并將較小概率的實數值加1，對應的二進制值設為1，從而完成二進制編碼中一個二進制值的更新，進而完成個二進制值的更新，其中，rand表示[0,1]之間的隨機數，表示向上取整；
步驟3.3.5、將個更新完成后的二進制編碼和實數編碼中對應位置的實數值和二進制值相乘，從而得到一個正常模塊所對應的第z個個體
步驟3.3.6、令z+1賦值給Z，重復步驟3.3.2，直到z＞Z為止，從而構建初始種群；
步驟3.4、對初始種群中的個體進行適應度值評價，根據適應度值對初始種群中的個體進行非支配排序，再將排序后的種群劃分成K個相同規模的子種群，并按照子種群內的非支配解數量對K個子種群進行排序，從而得到排序后的K個子種群并作為第G代進化的種群；
步驟4、在第G次種群進化的過程通過對子種群進行交叉變異得到子代種群；
步驟4.1、令k＝1；
步驟4.2、利用式(1)對第G次迭代的第k個子種群的方向向量進行更新，得到第G代進化的更新后的第k個子種群的方向向量
式(1)中，是第G次迭代的第k個子種群存在的非支配解的數量，表示第G次進化更新后的第k個子種群的第a條邊對應的第b個操作對應的實向量，并有：
式(2)中，表示第G次進化的第x個個體是否選擇第a條邊對應的第b個操作，表示第G次進化的第y個個體是否選擇第a條邊對應的第b個操作；表示第G次進化第a條邊對應的第b個操作對應的實向量；
步驟4.3、初始化第G次迭代的一組零向量為實向量；其中，表示第G次進化第k個子種群第a條邊對應的第b個操作對應的方向向量；
步驟4.4、將第G次迭代的第k個子種群中所有的非支配解構成集合
步驟4.5、定義變量并初始化t＝1；
步驟4.6、選擇第t個非支配解在決策空間中最近的個個體構成集合
步驟4.7、令定義變量并初始化h＝1；
步驟4.8、根據第t個非支配解及其第h個近鄰解，利用式(2)對第G代進化的第k個子種群的實向量進行更新操作，得到第G代進化的第h次更新后的實向量；
步驟4.9、將h+1賦值給h后，判斷是否成立，若成立，則表示第G代進化的第t個非支配解完成對第k個子種群的實向量的更新，執行步驟4.10；否則，返回步驟4.8順序執行；
步驟4.10、將t+1賦值給t后，判斷是否成立，若成立，則表示得到完成第G代進化的第k個子種群的實向量的更新，執行步驟4.5；否則，返回步驟4.4.2順序執行，其中，表示第G代進化的第k個子種群非支配解的數量；
步驟4.11、根據第G代進化的第k個子種群更新后的實向量，利用式(1)得到第G代進化的第k個子種群更新后的方向向量；
步驟4.12、通過二元錦標賽選擇方法從第G代進化的第k個子種群中選擇出個個體作為第G代進化的第k個子種群對應的父代種群；表示向下取整；
步驟4.13、使用方向向量來指引第G代進化的第k個子種群對應的父代種群進行交叉變異后產生子代種群；
步驟4.13.1、從第G代進化的第k個子種群對應的父代種群中隨機選擇兩個父代個體，并將其從父代種群中刪除；選擇兩個父代個體后，均產生與第一個父代個體相同的個體A，若兩個父代個體的二進制編碼都相同，則將個體A作為子代解，否則，根據不同二進制編碼的個數，產生相應數量的隨機數，并對不同二進制編碼所在位置對應的方向向量與相應的隨機數進行比較，若方向向量大于隨機數，則將個體A對應位置上的二進制編碼設為1，否則設為0；從而得到更新后的個體A并作為子代解；進而得到第G代進化的第k個子種群對應的個子代解；
步驟4.13.2、按照同等概率選擇方案一或方案二對個子代解進行變異，從而得到第G代進化的第k個子種群對應的子代種群：
方案一：通過二元錦標賽選擇方法在一個子代解的二進制值為1的維度中選擇兩個維度，并將方向向量值較小的維度對應的二進制值變異為0；
方案二：從一個子代解的二進制值為0的維度中隨機選擇出兩個維度，并將方向向量值較大的維度對應的值變異為1；
步驟4.14、將第G代進化的第k個子種群及其對應的子代種群合并為第G代進化的第k個合并種群，使用第G代進化的第k個子種群更新后的方向向量和更新后的實向量對第k個合并種群進行環境選擇；
步驟4.14.1、計算第G代進化的第k個子種群中的每個個體在訓練數據集上的準確度和復雜程度；
步驟4.14.2、根據所述復雜程度和準確度，計算第G代進化的第k個子種群中的每個個體的適應度值和擁擠度距離；
步驟4.14.3、按照適應度值和擁擠度距離對第G次進化的第k個子種群中的個體進行非支配排序，得到第G次進化的排序后的第k個子種群；
步驟4.14.4、從第G次進化的排序后的第k個子種群中，按照支配等級從高到低的順序，依次將每個支配等級中的個體加入第G+1次進化的種群中，直到第G+1次進化的種群中的個數超過為止，并將最低支配等級中的個體按照擁擠度距離進行降序排序，將排序靠前的個體刪除，直到第G+1次進化的種群的規模為為止；
步驟4.15、將k+1賦值給k后，判斷k＞K是否成立，若成立，則表示第G代進化的中所有子種群更新完畢，并執行步驟5；否則，返回步驟4.2順序執行；
步驟5、將G+1賦值給G后，判斷G＞Gmax是否成立，若成立，則表示完成進化，并得到最終的K個子種群，否則，返回步驟3.2順序執行；
步驟6、從最終的K個子種群中分別選擇一個適應度值最優的個體，并對K個最優個體進行加權平均后，得到性能最優的正常模塊；根據性能最優的正常模塊中N條邊所對應的邊候選操作集，從中選擇概率最大的候選操作作為相應邊對應的候選操作，從而得到結構確定的正常模塊；
步驟7、固定結構確定的正常模塊，并按照步驟3-步驟6的過程搜索性能最優的降維模塊，并相應得到結構確定的降維模塊；從而由2c個結構確定的正常模塊和c個結構確定的降維模塊組成最終的車輛圖像分類模型，用于實現車輛圖像的最優分類。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于安徽大學，未經安徽大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210079740.3/1.html，轉載請聲明來源鉆瓜專利網。
