[发明专利]一种通用图像目标分类方法及系统

权利要求书

1.一种通用图像目标分类方法，其特征在于，所述方法包括：

步骤S1：判断训练数据集中各类样本是否存在数据不均衡问题；如果存在数据不均衡问题，则执行“步骤S2”；如果不存在数据不均衡问题，则结束，具体包括：

步骤S11：统计所述训练数据集中各类样本包含图像的总数量N_i，i＝1,2,...,M，M为总类别；

步骤S12：根据确定不平衡度量系数；其中，max N_i为样本中包含图像最多的第i类样本包含图像的总数量，min N_j为样本中包含图像最少的第j类样本包含图像的总数量，ρ表示不平衡度量系数；

步骤S13：判断所述不平衡度量系数是否大于第一给定阈值；如果所述不平衡度量系数大于第一给定阈值，则说明所述训练数据集中各类样本存在数据不均衡问题，执行“步骤S2”；如果所述不平衡度量系数小于或等于第一给定阈值，则说明不存在数据不均衡问题，则结束；

步骤S2：将所述训练数据集中各类样本依次输入神经网络进行粗调训练，获得神经网络的初始参数，具体包括：

步骤S21：将所述训练数据集中各类样本依次输入神经网络进行粗调训练，获得第一网络预测值；

步骤S22：计算所述第一网络预测值与各类样本中图像真实标签之间的第一损失值；

步骤S23：判断所述第一损失值是否小于或等于第二给定阈值；如果所述第一损失值小于或等于第二给定阈值，则输出神经网络的初始参数；如果所述第一损失值大于第二给定阈值，则执行“步骤S24”；

步骤S24：通过梯度反向传播算法更新神经网络的初始参数，并返回“步骤S21”；

步骤S3：对所述训练数据集中各类样本内的图像进行扩充，获得扩充数据集，具体包括：

步骤S31：对所述训练数据集中各类样本内的图像进行几何变换和/或颜色变换，获得变换后的图像；几何变换包括旋转、裁剪、变形和缩放中至少一种，颜色变换包括添加噪声、模糊和颜色变换中至少一种；

步骤S32：将所述训练数据集内的图像与变换后的图像组成所述扩充数据集；

步骤S4：采用批量内均衡方法根据所述扩充数据集构造多个训练样本列表；

步骤S5：将多个所述训练样本列表依次输入到已求出初始参数的神经网络进行微调训练，获得神经网络的最终参数；

步骤S6：将待分类图像输入到已求出最终参数的神经网络进行分类，获得初始分类结果；

步骤S7：采用阈值移动方法将所述初始分类结果进行阈值移动，获得最终分类结果。

2.根据权利要求1所述的通用图像目标分类方法，其特征在于，步骤S4具体包括：

步骤S41：对所述扩充数据集内的图像进行排序，获得M类样本，每类样本包含N_i张图像，i＝1,2,...,M；

步骤S42：令图像数量最多的样本的图像数量为N_max；

步骤S43：确定各批次每类样本待输入图像的数量L；

步骤S44：根据确定总批次；

步骤S45：判断各类样本中图像的数量是否大于或等于L；如果各类样本中图像的数量大于或等于L，则不重复的从各类样本中提取前L个图像，并将各图像和地址写入当前批次对应的训练列表中；如果各类样本中图像的数量小于L，则从所述训练数据集的相同类型的样本中随机抽取Δ＝L-P_i,i＝1,2,...,M张图像，并将各图像和地址写入当前批次对应的训练列表中；其中，P_i为当前批次第i类样本已经写入训练列表的图像数量，Δ为待抽取图像的数量；

步骤S46：将当前批次对应的所述训练列表进行随机打乱操作，形成大小为O的训练样本列表；

步骤S47：判断当前批次是否小于总批次；如果当前批次小于总批次，则令当前批次加一，返回“步骤S45”；如果当前批次大于或等于总批次，则执行“步骤S5”。