[发明专利]一种构建类别中心的图像分类方法

权利要求书

1.一种基于构建类别中心的深度学习图像分类方法，包括如下步骤：

1)输入训练图像，利用多层卷积神经网络提取图像的特征向量，所述图像的特征向量是分布在高维特征空间的高维向量，同时，在所述特征空间构建不同类别的中心向量，所述中心向量和所述图像的特征向量维度一致；

2)计算图像的特征向量和不同类别的中心向量的欧式距离，将距离最小的中心向量的类别作为图像特征向量的类别；

3)根据各类别的中心向量之间的欧式距离计算不同类别图像的特征向量分布的分散程度；假设不同类别的中心向量是c_i,i＝1,2,…,m，计算出不同类别的中心向量两两之间的欧式距离，表示为D_ij，其中i,j＝1,2,…,m且i≠j，对每一类中心向量和其最近的中心向量之间的欧式距离求平均值，得到不同类别的分散程度；其中，对于中心c_i，计算c_i和其他所有中心点的距离，但只保留和其最近的中心点的距离，找到所有的i＝1,2,…,m，其中k_i的取值满足对求平均，得到分散程度，表示为

4)根据图像的特征向量与各个类别的中心向量之间的欧式距离计算图像属于每一类的概率分数，在概率分数计算中引入余量参数以控制类内距离；

5)在不同类别的图像分类概率分数和分散程度的基础上计算网络损失函数，损失函数的计算包括两部分，即图像特征的分类损失Loss₁和各类中心的分散程度Loss₂，并利用损失函数对网络参数和类别的中心向量进行学习。

2.如权利要求1所述的图像分类方法，其特征在于，所述步骤1)中，构建的类别中心向量是可训练的参数，利用随机初始化的方法对类别中心向量进行初始化，所述步骤4)中，利用梯度反向传播的方法更新类别中心向量的取值，假设分类类别数是m，将所有的中心向量表示为c_i,i＝1,2,…,m。

3.如权利要求1或2所述的图像分类方法，其特征在于，所述步骤2)中，将图像特征向量表示为f，图像特征向量和第i类的中心向量的距离为L_i,i＝1,2,…,m，找出最小的距离L_k，即则图像特征的类别判断为第k类。

4.如权利要求1至2任一项所述的图像分类方法，其特征在于，所述步骤4)中，利用图像的特征向量f和不同类别的中心向量之间的距离L_i,i＝1,2,…,m计算概率分数，具体方法为：首先将所有的距离归一化，得到相对距离R_i越大表示图像的特征向量和第i类的中心向量的距离越大；为了约束类内距离，在计算概率分数时引入余量；假设图像的特征向量的真实标签是第k类，计算图像的特征向量属于第k类的概率分数为：

其中，e是自然常数，图像的特征向量属于其他类别的概率分数表示为：

概率分数越小，表示图像的特征向量属于相应类的概率越大，m表示余量。

5.如权利要求4所述的图像分类方法，其特征在于，m取值大于1。

6.如权利要求1至2任一项所述的图像分类方法，其特征在于，所述步骤5)中，两个损失函数利用超参λ调整不同约束的权重，即最终的训练损失是：

Loss＝Loss₁+λLoss₂ (3)

分类损失Loss₁使用交叉熵进行计算；

利用反向梯度传播的方法更新网络权重和类别的中心向量的取值。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的图像分类方法。