[发明专利]一种图像分类方法及系统

权利要求书

1.一种图像分类方法，其特征在于，包括：

获取第一图像训练集；所述第一图像训练集包括：多张第一图像和每张所述第一图像的类别；

利用所述第一图像训练集训练特征提取网络，得到特征提取网络模型；所述特征提取网络模型用于提取输入所述特征提取网络模型的图像的图像特征；

利用变分自编码网络对所述第一图像进行分解重构，得到重构样本图像；

利用所述特征提取网络模型分别提取所述第一图像的第一图像特征和所述重构样本图像的重构图像特征；

利用所述第一图像、所述重构样本图像、所述第一图像特征和所述重构图像特征，计算重构损失函数、KL散度损失函数和特征损失函数的加权和；

多次调整所述变分自编码网络的权重，更新所述变分自编码网络后返回“利用变分自编码网络对所述第一图像进行分解重构，得到重构样本图像”，并更新所述加权和，确定更新后的加权和；

比较所述加权和以及多次所述更新后的加权和，确定最小的加权和；

获取与所述最小的加权和对应的所述变分自编码网络的解码网络，以及第二图像训练集；所述第二图像训练集包括：多张第二图像和每张所述第二图像的类别；所述第二图像的类别与所述第一图像的类别不同；

利用所述解码网络随机生成伪样本图像集，具体包括：

利用所述解码网络生成伪样本图像组；

利用所述特征提取网络模型提取所述伪样本图像组的伪样本图像特征组；伪样本图像特征组包括所述伪样本图像组中每张伪样本图像的伪样本图像特征；

根据公式将属于y类的伪样本图像归类到数据组D^y中，式中D^y表示第y类的数据组，x_i表示第i张所述伪样本图像，F_i’表示第i张所述伪样本图像的伪样本图像特征，u_k表示第k类图像的类平均特征向量，t表示所述第一图像的类别的总数；

返回“利用所述解码网络生成伪样本图像组”，更新所述数据组D^y，直至所述数据组D^y中的伪样本图像数量为所述第一图像训练集中属于第y类的第一图像的数量的n倍，得到所有类的初始数据组；

获取每张所述伪样本图像的特征距离；所述特征距离为所述伪样本图像的伪样本图像特征与所述伪样本图像所属类别的类平均特征向量之差；

将所述初始数据组中的伪样本图像按照所述特征距离进行排序，得到伪样本图像序列；

获取预设特征距离，将所述伪样本图像序列中特征距离小于所述预设特征距离的所有伪样本图像确定为伪样本图像组，所述伪样本图像集为所有类的伪样本图像组；

利用所述伪样本图像集和所述第二图像训练集训练全连接神经网络模型，得到分类模型；所述分类模型用于确定输入所述分类模型的图像的所属类别；

获取待分类图像；

将所述待分类图像输入所述分类模型，对所述待分类图像进行分类，得到所述待分类图像的类别。

2.根据权利要求1所述的图像分类方法，其特征在于，所述特征提取网络模型包括2层全连接层；所述全连接层的激活函数为线性整流函数。

3.根据权利要求2所述的图像分类方法，其特征在于，所述利用所述第一图像、所述重构样本图像、所述第一图像特征和所述重构图像特征，计算重构损失函数、KL散度损失函数和特征损失函数的加权和，具体包括：

根据公式L_R＝(x-x')²计算所述重构损失函数L_R；

根据公式L_F＝(F_x-F_x')²计算所述特征损失函数L_F；

根据公式L_ALL＝L_R+L_KL+L_F计算所述加权和L_ALL；

上式中，x表示所述第一图像，x’表示所述重构样本图像，F_x表示所述第一图像特征，F_x'表示所述第二图像特征，L_KL表示所述KL散度损失函数。