[发明专利]一种基于知识分类的复杂目标渐近识别方法及装置

权利要求书

1.一种基于知识分类的复杂目标渐近识别方法，其特征在于，该方法包括：

图像预处理，将原始图像数据集I分为多种级别分辨率的数据集，作为复杂目标渐近识别的基准数据集；

将图像批量输入在ImageNet数据集上预训练的VGG-16网络进行特征提取；

将提取到的多种分辨率的特征，进行双线性特征融合计算和三线性特征融合计算；

双线性特征的结合f_A(I)∈R^hw×c和f_B(I)∈R^hw×c等于f_A(I)^Tf_B(I)∈R^c×c，其中c是特征图的数量，h和w表示特征图的高和宽；

将跨层分解的双线性池化表示为：

其中X表示一层，Y表示另一层，其中U∈R^hw×d和V∈R^hw×d是投影矩阵，P∈R^d×cc是分类器矩阵，是哈达玛乘积，d表示联合嵌入的维度，f是双线性模型的输出；

三线性池化方法表示为：

其中W∈R^hw×d表示投影矩阵，f结合了三个独立的层，其中X表示一层，Y、Z表示另外两层；

利用融合后的特征预测类别。

2.根据权利要求1所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将原始图像数据集I定义分为分辨率由高到低的三个图像数据集I_high,I_medium,I_low。

3.根据权利要求2所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将原始图像数据集的分辨率r定义为高分辨率r_high，图像数据集确定为I_high；

逐渐降低原始图像数据集的分辨率来得到另外两种分辨率的图像数据集：

当准确率低于阈值t_med时，根据r_med分辨率，将图像数据集确定为I_medium；

当准确率低于阈值t_low时，根据r_low分辨率，将图像数据集确定为l_low。

4.根据权利要求3所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将三种分辨率的图像与生物分类学一一映射：

I_high对应物种，I_medium对应属，I_low对应科。

5.根据权利要求3所述的基于知识分类的复杂目标渐近识别方法，其特征在于，使用SVM分类算法将图像从高分辨率r_high种向科级别分类，通过准确率阈值t_med和t_low来进行分类。

6.根据权利要求1所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将图像批量输入在ImageNet数据集上预训练的VGG-16网络进行特征提取包括：提取三种分辨率图集的relu5_1,relu5_2,relu5_3特征。

7.根据权利要求1所述的基于知识分类的复杂目标渐近识别方法，其特征在于，将三线性特征和三个维度的双线性特征进行融合，计算SoftMax向量，得到预测的结果；

三种损失函数相加为全部的损失函数：

l_full＝l_high+l_medium+l_low.

其中，损失函数loss在每个分辨率下定义为：

l_high＝loss(I_high)，l_medium＝loss(I_medium)，和l_low＝loss(I_low)。

8.一种基于知识分类的复杂目标渐近识别装置，其特征在于，该装置包括：存储器，存储有计算机可执行指令；

处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：

图像预处理，将原始图像数据集I分为多种级别分辨率的数据集，作为复杂目标渐近识别的基准数据集；

将图像批量输入在ImageNet数据集上预训练的VGG-16网络进行特征提取；

将提取到的多种分辨率的特征，进行双线性特征融合计算和三线性特征融合计算；

双线性特征的结合f_A(I)∈R^hw×c和f_B(I)∈R^hw×c等于f_A(I)^Tf_B(I)∈R^c×c，其中c是特征图的数量，h和w表示特征图的高和宽；

将跨层分解的双线性池化表示为：

其中X表示一层，Y表示另一层，其中U∈R^hw×d和V∈R^hw×d是投影矩阵，P∈R^d×cc是分类器矩阵，是哈达玛乘积，d表示联合嵌入的维度，f是双线性模型的输出；

三线性池化方法表示为：

其中W∈R^hw×d表示投影矩阵，f结合了三个独立的层，其中X表示一层，Y、Z表示另外两层；

利用融合后的特征预测类别。