[发明专利]一种卷积神经网络目标分类方法

说明书

本申请实施例提供了一种卷积神经网络目标分类方法，通过在模型训练过程中引入一个随目标类特征中心向量与各子类特征中心向量变化的动态加角余量，实现了通过计算样本图像的特征向量与目标类特征中心向量夹角的第一余弦值向量后，根据动态加角余量以及目标类特征中心向量间的夹角，通过第二预设公式得到第二夹角，通过对第二夹角求余弦，得到第二余弦值，并利用第二余弦值替换第一余弦值向量中特征向量与目标类特征中心向量间的夹角的余弦值，得到第二余弦值向量，根据第二余弦值向量计算模型的损失对模型训练过程进行指导，从而有效降低训练数据集子类特征中心均匀分布的程度。

技术领域

本申请涉及信息技术领域，特别是涉及一种卷积神经网络目标分类方法。

背景技术

目前，神经网络模型在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，尤其在图像分类方面，已经在我们周围有着广泛的应用，例如，数字识别，衣物分类，人脸识别等。而在神经网络中卷积神经网络对于图像分类具有良好的效果，尤其在人脸识别方面卷积神经网络有着广泛用的应用。在基于卷积神经网络的人脸识别系统中，损失函数作为判断所训练神经网络和训练数据集间契合程度的标准，对人脸识别的实际效果有着重要影响。

ArcFace作为目前常用的损失函数，ArcFace在损失函数中引入加角余量，可以增大类间间距，当加角余量取较大值时，加角余量约束也会减小类内距离，从而使人脸识别的效果得到提升。而为了达到好的训练效果，损失函数所取的加角余量较大，从而导致训练数据集所有类的特征中心会远离，特征中心会趋向于均匀分布，这与实际的特征中心在特征空间上散乱分布的情况不符，存在对训练数据集的过拟合问题，影响识别的效果。

发明内容

本申请实施例的目的在于提供一种卷积神经网络目标分类方法，以实现解决特征中心距离变大导致趋向于均匀分布的问题。具体技术方案如下：

第一方面，本申请实施例提供了一种卷积神经网络目标分类方法，应用于模型训练过程，包括：

步骤A，获取样本图像的特征向量；

步骤B，计算样本图像的特征向量与各子类特征中心向量间的第一余弦值向量，其中，第一余弦值向量包括样本图像的特征向量与各子类特征中心向量间的夹角的余弦值；

步骤C，根据第一余弦值向量，确定第一余弦值向量的第一夹角，其中，第一夹角为样本图像的特征向量与目标类特征中心向量间的夹角，目标类特征中心向量为样本图像对应的正确分类所对应的子类特征中心向量；

步骤D，分别计算目标类特征中心向量与各子类特征中心向量间夹角的余弦值，将目标类特征中心向量自身相乘的对应项置零，确定其中最大的余弦值对应的夹角值，通过第一预设公式得到动态加角余量；

步骤E，根据动态加角余量与第一夹角，通过第二预设公式得到第二夹角，通过对第二夹角求余弦，得到第二余弦值，并利用第二余弦值替换第一余弦值向量中特征向量与目标类特征中心向量间的夹角的余弦值，得到第二余弦值向量；

步骤F，将第二余弦值向量输入模型的归一化层，通过归一化层获取样本图像的特征分布概率；

步骤G，通过预设损失函数，根据特征分布概率，计算模型的损失；

步骤H，根据模型的损失，对模型的参数进行调整；

步骤I，重复上述步骤A至步骤H，直至模型的损失小于预设率阈值时，得到训练好的模型。

可选的，分别计算目标类特征中心向量与各子类特征中心向量间夹角的余弦值，将目标类特征中心向量自身相乘的对应项置零，确定其中最大的余弦值对应的夹角值，通过第一预设公式得到动态加角余量，包括：

分别计算目标类特征中心向量与各子类特征中心向量间夹角的余弦值，将目标类特征中心向量自身相乘的对应项置零，确定其中最大的余弦值对应的夹角值，通过公式：