[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

说明书

本发明提出了一种基于知识分类的复杂目标渐近识别方法及装置。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；利用融合后的特征预测类别。本方法融合三线性池化和双线性池化的特征，在统一的框架内规划复杂目标的粗粒度任务和细粒度任务。解决了实际生活中细粒度识别中忽略的粗粒度任务所提供的特征参考。

技术领域

本发明属于图像识别领域，涉及细粒度图像识别与检索，具体涉及一种基于知识分类的复杂目标渐近识别方法及装置。

背景技术

近年来，细粒度图像识别与检索已成为视觉计算和信息检索领域的研究热点。虽然图像识别技术在近年来已经取得了很大的发展，但是在细粒度图像识别和检索等方面仍然有诸多技术难点亟需突破。

细粒度图像分类问题是对大类下的子类进行识别。细粒度图像分析任务相对通用图像任务的区别和难点在于其图像所属类别的粒度更为精细。不止对计算机，对普通人来说，细粒度图像任务的难度和挑战无疑也更为巨大。

尽管现有的技术很容易甄别外观差异较为明显的对象如：猫与狗，但这些现有技术仍然难以区分外观差异较不明显的对象如：波音737客机与波音747客机，这些子类中对象的识别结果易于被其运动姿态，观察方向以及相对位置所影响。

然而随着人工智能的发展，越来越多的应用场景需要对同一类别下的物体进行更为精细的特征区分，例如：商人对品牌的识别，植物学家对植物的识别等。细粒度图像分类无论在工业界还是学术界都有着广泛的研究需求与应用场景。与之相关的研究课题主要包括识别不同种类的鸟、狗、花、车、飞机等。在实际生活中，识别不同的子类别又存在着巨大的应用需求。例如，在生态保护中，有效识别不同种类的生物，是进行生态研究的重要前提。

与一般的图像分类任务区别基本类别不同，细粒度识别非常具有挑战性。然而在实际生活场景中，当观察者与被观察者距离缩短，被观察者更加接近观察者时，细粒度任务往往与粗粒度任务一起出现。而在此前的工作中，细粒度任务和粗粒度任务的结合常常被忽略。学者们更多的关注于细粒度级别的研究，忽略了伴随的粗粒度任务所提供的特征参考也具有指导意义。

因此，有必要提出一种在统一的框架内规划复杂目标的粗粒度任务和细粒度任务，进而针对细粒度图像识别的方法。

发明内容

本发明解决了实际生活中细粒度识别中忽略的粗粒度任务所提供的特征参考的问题。

根据本发明的一个方面，提供一种基于知识分类的复杂目标渐近识别方法，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；

利用融合后的特征预测类别。

进一步地，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.。

进一步地，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；