[发明专利]一种基于单分类技术的图像类别增量学习方法

权利要求书

1.一种基于单分类技术的图像类别增量学习方法，包括下列步骤：

步骤1：数据集制作

将收集到的不同种类图像的尺寸大小处理为固定尺寸，并按照一定比例划分为训练集、验证集、测试集，之后对图像进行标注；制作出包含数据、标签、列表的二进制文件，数据集制作完成；

步骤2：初始分类神经网络搭建

初始分类神经网络的搭建选用深度残差网络ResNet，设置初始训练和测试参数，包括设定图像类别以及类别数，验证集的数目和迭代次数，将旧类别图像的数据集放入指定文件夹中，训练分类神经网络，得到一个初始分类神经网络；

步骤3：类增量学习神经网络搭建

对步骤2中初始分类神经网络进行修改，使初始分类神经网络具有类增量学习的功能：调整输出的类别以及类别数量参数，并将新类别图像的数据集放入指定文件夹中，训练类增量学习神经网络时，通过知识蒸馏算法来更新模型参数，即，融合蒸馏损失和交叉熵损失函数成为新的损失函数，此外在类增量学习神经网络中添加Bias correction结构，使类增量学习神经网络能够适应大规模的图像类别增量学习；

步骤4：基于单分类技术的图像类别增量学习模型搭建

在训练阶段，（1）若仅含有旧类别图像的数据集，不训练单分类器，仅训练初始分类神经网络；（2）若数据集中第一次加入新类别图像的数据集，利用新类别图像的数据集训练类增量学习神经网络，同时利用新类别图像的数据集，训练单分类器，使得单分类器能够有效地识别出旧类别图像的数据集与新类别图像的数据集；（3）若数据集中第二次加入新类别图像的数据集，将第二次加入的新类别图像视为新类别图像，将第（2）步中得到的数据集视为旧类别图像数据集，利用新类别图像的数据集训练类增量学习神经网络，同时利用新类别图像的数据集，训练单分类器，同时丢弃第（2）步中训练好的单分类器，使得新单分类器能够有效地识别出旧类别图像的数据集与新类别图像的数据集，保存类增量学习神经网络记作最新增量后的类增量学习网络，与此同时，保存第（2）步中类增量学习神经网络并记作上一次增量后保留的类增量学习神经网络，按照上述训练过程，加入新类别图像；

在测试阶段，将测试数据集中的图片经过单分类器，判断出测试集中的图片是否属于旧类别图像；若测试图像为旧类别，则测试图像会进入训练好的上一次增量后保留的类增量学习神经网络进行预测，并输出预测结果；否则，测试图像进入最新增量后的类增量学习网络进行预测，并输出预测结果；所述单分类器选用支持向量域描述SVDD方案实现，当新类别图像的数据集进入单分类器中，分类器先训练出一个最小的超球面，将图像数据全部围起来，识别一个新的图像数据时，如果这个图像数据点落在超球面内，就属于新类，否则不是。