[发明专利]一种可动态增加的级联识别网络算法

说明书

本发明涉及一种可动态增加的级联识别网络算法，步骤为：把需要分类的初始图像进行若干次逐级聚类，每一次聚类都生成若干个作为各级分类器的簇；然后从初始图像中选图，依次进入各级分类器，输出最终分类结果，在需要增加新类时，将此新类的图片和聚类器融合，接着逐层遍历所有的簇，视该新类与各簇的距离远近，形成一个新簇或添加到某个簇的分类器中，从而完成新类的增加。本发明分类效果跟单模型效果一样，Top5达到97.8％，达到可以使用的级别，同时还可以动态增长网络，具有较高的推广应用价值。

技术领域

本专利申请属于图像分类技术领域，更具体地说，是涉及一种可动态增加的级联识别网络算法。

背景技术

在现实生活中的图像分类网络中，我们经常遇到的单个CNN分类网络，例如：VGG，resnet，Inception等分类网络，在ImageNet数据集上面最多的分类的类别是1000种，由于CNN网络模型的设计问题，一旦一个分类模型训练完成，想要重新添加分类的类别的时候，需要找出之前所训练的所有数据，添加上现在新的数据一起训练。这样的工作造成重复工作，一旦分类增多到一定数量之后，会造成分类不准确，同时分类多的时候，会造成训练数据过多而模型难以训练的问题。综上所述现在单模型分类的问题可以概括为：

1)虽然单模型分类器能够快速end2end地训练分类器，可是存在动态扩展性弱的问题。

2)单模型分类器在分类数量增加的时候，分类能力成直线下降趋势。

发明内容

本发明需要解决的技术问题是提供一种可动态增加的级联识别网络算法，克服上述两个现有单模型分类器的缺点，并提出了动态增长的级联分类模型，能够很好地解决上述问题。

为了解决上述问题，本发明所采用的技术方案是：

一种可动态增加的级联识别网络算法，包括把需要分类的初始图像进行若干次逐级聚类，每一次聚类都生成若干个作为各级分类器的簇；然后从初始图像中逐个选图，依次进入各级分类器，输出最终分类结果。在需要增加新类时，将此新类的图片和聚类器融合，逐层遍历所有的簇，视该新类与各簇的距离远近，形成一个新簇或添加到某个簇的分类器中，完成新类的增加。

本发明技术方案的进一步改进在于：步骤如下：

步骤a、生成一级分类器，把将要分类的初始图像，找出具有代表性的图片放在一起进行聚类，根据聚类的信息，找出簇的数量，同时把每个簇所包含的图片放在一起看作一个类别，作为一级分类器的模型进行训练；一级分类器主要负责学习大的分类，例如：一级分类器更加关注概括性的特征，比如：瓶子类型，塑料包装类型，矩形，圆形等特征的物体。其中所使用DBSCAN聚类算法。

步骤b、生成二级分类器，在聚类分簇形成一级分类器后，将一级分类器中每一个簇的分类数据，再进行细分类，训练出多个二级分类器，根据上一级分类器生成的簇的多少，决定生成多少个下一级分类器，其中二级分类器的训练和普通的CNN分类器是一样的；

步骤c、生成n级分类器，在步骤b的基础上，继续对上一级分类器中的每一个簇进行细分类，动态增加至n级分类器直至不能再进行细分类，其中n≥2；

步骤d、预测阶段，在初始图像中随机挑选一张图，在该张图进入一级分类器之后，实现对该张图的大分类，然后再根据一级分类器的结果进入相对应的二级分类器中，再根据二级分类器的结果进入相对应的三级分类器中，以此类推，直至到n级分类器，从而输出最终分类结果；

步骤e、新类增加，在输出最终分类结果后，如果需要再增加一个分类，首先把这个类别的图片和聚类器融合，然后看这个类别和哪一个簇距离最接近，如果超出最大距离则形成一个新的簇，如果在其中一个簇内，则添加到该簇对应的分类器中进行整体训练，从而能够保证尽量少的动作进行添加新的分类。