[发明专利]一种图像分类方法及系统

说明书

本发明公开一种图像分类方法及系统，涉及数字图像处理技术领域。该方法包括：利用第一图像训练集训练得到特征提取网络模型；利用变分自编码网络、第一图像训练集、特征提取网络模型，以及三种损失函数的加权和，得到与最小的加权和对应的变分自编码网络的解码网络；利用解码网络随机生成伪样本图像集；利用伪样本图像集和第二图像训练集训练全连接神经网络模型，得到分类模型；利用分类模型对待分类图像进行分类。本发明的图像分类方法利用变分自编码网络对第一图像进行分解重构，计算并最小化三种损失函数的加权和，利用与最小的加权和对应的变分自编码网络的解码网络生成伪样本图像集，能完全舍弃旧类样本图像数据，降低内存的占用率。

技术领域

本发明涉及数字图像处理技术领域，特别是涉及一种图像分类方法及系统。

背景技术

作为人工智能领域的一个重要分支，机器学习算法学习训练数据以优化学习性能。很多机器学习算法将训练数据集合作为整体进行一次性训练，这种学习方式通常被称作批量学习(Batch Learning)。与批量学习不同，增量学习(Incremental Learning)首先使用部分数据建立一个初始模型，然后依次使用更多的数据对机器学习模型进行更新，通过这种增量的方式来对这些数据进行训练和学习。同批量学习相比，这种增量学习知识的方式有其特有的优势。首先，从计算智慧的角度来看，生物智慧体就是通过增量的方式学习信息、积累经验、拓展时空关联以完成知识的学习与储备。因此，增量学习的学习模式同生物智能更为相似。其次，从实际应用来看.增量学习可以应用在批量学习难以使用的学习场景中去，如学习海量数据和挖掘流式数据中的知识。一般来说，批量学习算法需要将训练数据一次性加载内存，以便进行统计和分析从而得到最终的模型。但是，对于海量的训练数据而言，批量学习算法无法将数据一次性加载内存。在数据流中，数据连续不断地产生，这同样无法被传统的批量学习算法所学习。随着大数据时代的到来，增量学习在学术领域和工业应用中表现着越来越重要的角色。

与批量学习相比，增量学习有着其特有的优势，但同时也带来了更多新的挑战，其中最重要的一个挑战就是灾难性遗忘(catastrophic forgetting)。在20世纪80年代末，McCloskey等人描述了灾难性遗忘的问题，即用新数据训练神经网络时训练的新数据会覆盖神经网络从以前的数据中学到的知识；Castro F M等人提出了一种端到端的增量学习方法，通过保留少量的旧类样本图像与新类样本图像一起训练实现增量学习，因为新旧类样本图像数量不平衡问题，端到端的增量学习方法使用一个平衡的样本图像子集，基于放牧的样本图像选择算法，通过减少来自新类的样本图像数量来构建该子集，仅保留每个类中最具代表性的样本图像，即让新训练子集每个类包含相同数量的样本图像，无论样本图像是属于新类还是旧类，通过对分类器和特征的联合学习，都能够以端到端的方式克服以往工作的局限性；Amanda Rios通过结合GAN(生成式对抗网络，Generative AdversarialNetworks)生成模型与少量样本图像保留，提出一个累积死循环记忆重放GAN(CloGAN)，累积死循环记忆重放GAN由一个为最大采样多样性选择的小型存储单元提供外部正则化。上述方法虽然在一定程度上减轻了在类增量学习过程中的灾难性遗忘，但都需要保留旧类的样本图像数据，占用大量的内存。因此，现有类增量学习方法存在占用大量的内存的问题。

发明内容

本发明的目的是提供一种图像分类方法及系统，解决了现有类增量学习方法占用大量的内存的问题。

为实现上述目的，本发明提供了如下方案：

一种图像分类方法，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；