[发明专利]一种基于深度卷积神经网络的航标图像智能分类方法

权利要求书

1.一种基于深度卷积神经网络的航标图像智能分类方法，其特征在于，包括如下步骤：

S1、采集航标图像；

S2、对上述采集的航标图像进行预处理形成数据集；

S3、构建注意力航标分类模型；所述步骤S3中对ResNet-50网络作出改进，通过结合多尺度特征，形成注意力矩阵，再与输入图像进行逐元素乘积，具体包括：

S31、注意力形成，注意力航标分类模型的第一层形成一个注意力矩阵捕捉注意力区域，其基础网络为ResNet-50，包含ImageNet上预先训练的参数，在第一层进行如下操作：

S311、从ResNet-50网络的第二阶段、第三阶段和最后一个阶段输出三个通道的特征映射，分别表示为f1、f2和f3，即三个不同层次的特征细节；

S312、对f1、f2和f3进行卷积操作形成新的特征，表示为F1、F2和F3；

S313、对F1、F2和F3进行上采样，获得具有相同大小的p1、p2和p3；

S314、将p1、p2和p3汇集拼接在一起，以形成融合特征F，航标图像的多尺度特征表达式如下：

F＝concat[AVG(p1),AVG(p2),AVG(p3)]

其中，AVG(*)表示平均池操作，concat(*)表示拼接操作；

S315、消除上采样的混叠效应，在融合特征F上执行卷积，形成具有相同形状的输入图像的注意矩阵A，A＝conv(F)；

S316、采用逐元素乘积将注意力矩阵A和输入图像进行融合，得到注意力增强输入图像X^att：

X^att＝x⊙A

其中，⊙表示逐元素乘法；

S32、分类，注意力航标分类模型的第二层同样是基于ResNet-50网络的分类模块，网络的输入为X^att，最终输出为不同类型的航标的概率分布p(x)，该分布的公式如下：

p(x)＝f(W_C*X^att)

其中，W_C表示ResNet-50网络的参数，f(*)表示全连接操作，将卷积特征映射到可与类别项匹配的特征向量上，并包含一个softmax层，进一步将特征向量转换为最终的分类概率；

S4、训练步骤S3中构建的注意力航标分类模型，并进行测试，形成训练好的航标分类模型；

S5、利用tensorflow-serving对训练好的注意力航标分类模型进行部署，提供调用网络接口；进行航标分类的应用。

2.根据权利要求1所述的基于深度卷积神经网络的航标图像智能分类方法，其特征在于，所述步骤S1中采集的航标图像包括4个大类，分27个子类，根据其功能、形状、颜色和顶标样式再细分为97个细类。

3.根据权利要求1所述的基于深度卷积神经网络的航标图像智能分类方法，其特征在于，所述步骤S2中的预处理为对所述航标图像进行数据增强操作，具体为：

S21、采用opencv库对所述航标图像添加高斯噪声；

S22、改变上述添加高斯噪声后的航标图像的亮度；

S23、对改变亮度后的航标图像进行平移操作；

S24、对平移后的航标图像进行翻转操作。

4.根据权利要求1所述的基于深度卷积神经网络的航标图像智能分类方法，其特征在于，所述步骤S4中的模型训练过程如下：

S41、改进注意力航标分类模型的损失函数，损失函数如下：

其中，w为类别i对应的权重，y_i为样本属于类别i的概率，logits_i为样本的预测为类别i的概率；

S42、改进注意力航标分类模型的优化器，优化器函数表示如下：

v＝M_u*v-LR*dx

x+＝v

其中，v表示变量，M_u表示动量参数，LR表示学习率，dx表示当前位置的梯度。