[发明专利]基于增量学习的图像分类方法及系统

权利要求书

1.一种基于增量学习的图像分类方法，具体包括以下步骤：

选取旧分类模型的旧类别数据，以及新增量数据，构建增量学习数据集；

构建增量学习新分类模型；

输入所述增量学习数据集，至所述增量学习新分类模型，在增量学习损失函数约束下进行增量学习训练，得到训练后的增量学习新分类模型；

输入待分类图像至所述训练后的增量学习新分类模型，进行图像分类，得到图像分类结果；

其中，所述增量学习损失函数具体包括交叉熵损失函数、蒸馏损失函数以及相似度矩阵的一致性损失函数；所述相似度矩阵包括旧相似度矩阵以及新相似度矩阵；所述旧相似度矩阵由旧分类模型的各个旧类别的映射向量之间的相似度组成；所述新相似度矩阵由增量学习新分类模型的各个旧类别的映射向量之间的相似度组成；

其中，所述相似度矩阵的一致性损失函数L(S_old,S_new)具体公式为：

L(S_old,S_new)＝||S_old-S_new||₁；

其中，S_old为旧相似度矩阵；S_new为新相似度矩阵。

2.根据权利要求1所述的图像分类方法，其特征在于，所述构建增量学习新分类模型具体包括：

将所述旧分类模型的特征提取网络，作为所述增量学习新分类模型的特征提取网络；

在所述旧分类模型的分类网络的输出端，添加新增类别数量的维度后，作为所述增量学习新分类模型的分类网络。

3.根据权利要求1所述的图像分类方法，其特征在于，所述交叉熵损失函数L_CE具体公式为：

其中，y_i表示网络的输出；g_i表示真实的标签值；K为旧分类模型的类别数量；P为增量学习新分类模型新增加的类别数量；

所述蒸馏损失函数L_distill具体公式为：

其中，y'_i表示旧分类模型的输出，y_i表示增量学习新分类模型在旧类别上的输出。

4.根据权利要求1所述的图像分类方法，其特征在于，所述增量学习损失函数Loss具体公式为：

Loss＝L_CE+λ₁L_distill+λ₂L(S_old,S_new)；

其中，L_distill为蒸馏损失函数，L_CE为交叉熵损失函数，L(S_old,S_new)为相似度矩阵的一致性损失函数，λ₁和λ₂为约束权重。