[发明专利]一种基于单分类技术的图像类别增量学习方法

说明书

本发明涉及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：数据集制作；初始分类神经网络搭建；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。

技术领域

本发明属于计算机图像分类领域，涉及一种基于单分类技术的提高图像类别识别准确率的增量学习方法。

背景技术

在图像分类领域中，经过训练的良好神经网络模型能够分辨出图像中不同类别的物体，并且已经可以达到较高的识别率。但是目前的大部分神经网络并不能满足识别未训练过的物体。即神经网络模型仅能识别已知类别的物体，对于未训练的物体，神经网络模型会将该物体错误的归到已知的类别，从而导致识别精度下降。

单分类^[1]的目的是对某一种类别的数据生成一个描述，即样本空间中的一个区域。如果样本没有落在该区域内，则认为样本不属于该类别。

增量学习的目的是让计算机像人类一样对任务进行增量的学习，使得计算机终身学习成为可能。增量学习思想主要体现在两个方面：

(1)实际任务中，数据量可能会逐步上升，面临新的数据，增量学习方法可以对已训练好的模型进行改动，使得计算机能够学习新数据中蕴涵的知识。

(2)对于训练好的模型，修改模型的时间代价要低于重新训练一个模型所需代价。

一个良好的增量学习模型应该具有以下三个标准^[2,3]：

(1)当新类别图像在不同时间出现，模型均可训练的

(2)任何时间在已经学习过的图像类别中有较好的分类效果

(3)计算能力与内存应该随着类别数的增加固定或者缓慢增长

但是目前基于深度学习的增量学习模型会遭受灾难性遗忘，如何有效的降低模型灾难性问题是现阶段亟需解决的难题。

[1]Lukas Ruff,Roboert A,et al.Deep One-Class Classfication[J].2018.

[2]Rebuffi S A,Kolesnikov A,Sperl G,et al.iCaRL:IncrementalClassifier and Representation Learning[J].2016.

[3]Wu Y,Chen Y,Wang L,et al.Large Scale Incremental Learning[J].2019.

发明内容

本发明提供了一种可以有效缓解灾难性遗忘并提升模型识别准确率的图像类别增量学习方法。本发明基于增量学习的方法，结合单分类器设计了一种图像类别增量模型，该模型可以有效的提升计算机图像分类性能。为后续的增量学习算法研究以及工程应用提供新的思路。本发明以工程应用中计算机图像分类为例，亦可用于其他分类问题。技术方案如下：

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