[发明专利]一种通用图像目标分类方法及系统

说明书

本发明提供了一种通用图像目标分类方法及系统，方法包括：当训练数据集中各类样本是否存在数据不均衡问题时，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；对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；采用批量内均衡方法根据扩充数据集构造多个训练样本列表；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；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；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，进一步提高了类别间样本不均衡条件下的目标分类精度。

技术领域

本发明涉及图像分类技术领域，特别是涉及一种通用图像目标分类方法及系统。

背景技术

传统通用图像目标分类方法主要包括特征设计和分类器设计两个步骤，随着2012年卷积神经网络的出现，基于深度学习的分类技术得到了广泛使用。目前，通用图像目标分类技术面临数据集存在类别间样本不均衡的问题，即有些类样本个数非常多，有些类样本个数非常少，因此存在类别间样本不均衡条件下通用图像目标分类不准确的问题。例如，在对自然场景图片收集时，行人样本个数会比飞机样本个数多很多，遥感图像中民用目标就会比舰船目标个数要多很多。当应用上述数据集进行分类时，分类器为了提高分类的整体精度，会将分类边界偏向少数样本类，导致多数类分类空间增大，少数类样本难以被识别出来。

发明内容

基于此，本发明的目的是提供一种通用图像目标分类方法及系统，以提高类别间样本不均衡条件下的目标分类精度。

为实现上述目的，本发明提供了一种通用图像目标分类方法，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；

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；

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；

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。

可选地，步骤S1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。

可选地，步骤S2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；