[发明专利]一种基于类激活映射图引导的正则化方法及系统

权利要求书

1.一种基于类激活映射图引导的正则化方法，包括如下步骤：

步骤S1，利用深度神经网络的全局池化层及全连接层参数产生基于标签类别k′的通道权重因子α^k′及类激活映射图J^k′；

步骤S2，将步骤S1产生的基于标签类别k′的通道权重因子α^k′及类激活映射图J^k′，通过生成的通道权重因子及类激活映射图分别对所述深度神经网络中各层不同分辨率的特征图的所有通道及空间区域的贡献度从大到小进行排序；

步骤S3，从所有通道中抽取前n个重要的特征通道，得到特征通道集并对类激活映射图的所有空间区域也选定前n′个重要的特征点，得到特征点集并根据上述集合分别得到两张基于通道权重因子和基于类激活映射图的二元掩模图M⁽¹⁾和M⁽²⁾；

步骤S4，根据预指定的保留率参数γ，生成基于伯努利分布的随机种子二元图M⁽³⁾，对其自身进行逻辑运算后，与步骤S3中生成的M⁽¹⁾和M⁽²⁾一同进行逻辑运算，得到最终的二元掩模图M，最后对二元掩模图M做归一化计算，得到当前迭代时刻及对应网络层l的正则化掩模图M^l；

步骤S5，多次迭代式地进行步骤S1-S4的训练过程，最终完成正则化的优化过程；

于步骤S3中，置一存在于上述两个集合的所有点，同时置零不存在于上述两个集合的所有点，分别得到两张基于通道权重因子和基于类激活映射图的二元掩模图M⁽¹⁾和M⁽²⁾；

步骤S3进一步包括：

步骤S300，基于标签类别k′的通道权重因子向量α^k′，按贡献度从大到小进行排序，继而从所有通道中抽取前n个重要的特征通道，得到特征通道集置一存在于上述集合的所有通道，同时置零不存在于上述集合的所有通道，并将其重塑为大小为W*H的二元掩模图M⁽¹⁾；

步骤S301，对类激活映射图的所有空间区域也选定前n′个重要的特征点，得到特征点集置一存在于上述集合的所有点，同时置零不存在于上述集合的所有点，得到基于类激活映射图的二元掩模图M⁽²⁾；

步骤S4进一步包括：

步骤S400，根据预指定的保留率参数γ，生成基于伯努利分布的随机种子二元图ψ，并对其自身做逻辑非运算后得到二元掩模图M⁽³⁾；

步骤S401，将得到的二元掩模图M⁽³⁾与步骤S3中生成的二元掩模图M⁽¹⁾和M⁽²⁾一同做逻辑与运算，得到最终的掩模图M；

步骤S402，遍历整张二元掩模图M，将落在集合中的所有点置零，其中u为M中所有值为1的点，r为用于控制正则化区域的超参数，m为所有存在于M中的点，||·||₁为街区距离；

步骤S403，对所述二元掩模图M做归一化计算，得到的即为当前迭代时刻及对应网络层l的正则化掩模图M^l；

于步骤S5中，根据每一轮经迭代训练后的参数，更新所述类激活映射图J^k′，将其作为下一轮正则化迭代的输入，多次迭代式地进行步骤S1-S4的训练过程。

2.如权利要求1所述的一种基于类激活映射图引导的正则化方法，其特征在于，步骤S1进一步包括：

步骤S100，选择含有图像类别标注的数据集作为模型监督学习的训练数据；

步骤S101，利用所述深度神经网络的全局池化层及全连接层参数产生基于标签类别k′的通道权重因子α^k′及类激活映射图J^k′。

3.如权利要求2所述的一种基于类激活映射图引导的正则化方法，其特征在于：对于浅层网络，其类激活映射图J^k′的生成公式需引入一个对特征通道压缩分组的超参数，对其生成公式进行泛化。