[发明专利]基于类间相似度的分布式标签的细粒度图像识别算法

权利要求书

1.一种基于类间相似度的分布式标签的细粒度图像识别算法，其特征在于：包括以下步骤：

(1)使用骨干网络提取输入图像的特征表示X，将提取到的图像特征表示输入到两个并行的模块；所述模块为中心损失模块及分类损失模块；

(2)中心损失模块通过特征表示X计算中心损失并更新类别中心C；

(3)计算独热标签分布和由类别中心C生成的分布式标签分布的加权和得到最终标签分布；

(4)分类损失模块利用特征表示X和最终标签分布计算分类损失；

(5)由中心损失和分类损失加权求和得到最终用于优化整个模型的目标损失函数；

步骤(3)中，所述计算由类别中心C生成的分布式标签分布的具体过程为：

在构建分布式标签的过程中引入类别之间的相似度，采用余弦相似度来度量类别之间的相似度，表示为：

其中，C_i和C_j分别表示第i和第j的深度特征中心；通过计算第k类的类别特征中心C_k和其他类别的特征中心的相似度，获得一个相似度向量V，其每一个元素

当i＝k时，V_i＝1；当i≠k时，V_i＝v∈[0,1)；然后，对V使用softmax函数进行归一化，最后得到第k类的基于类别相似度的标签分布，公式具体为：

将最终的标签分布定义为基于类别相似度的标签分布与基于真值标签的平滑标签分布之间的加权和，表示为：

其中，w表示在模型训练过程中用于调整两种标签分布之间的权重的超参数，当i＝k时，q′_i＝1-∈；当i≠k时，q′_i＝∈/(N-1)；

为进一步获得更大的性能提升，提出一个自适应的加权模块来动态地调整w以更好的训练模型；表示为：

其中，设置w_init＞w_end。

2.根据权利要求1所述的基于类间相似度的分布式标签的细粒度图像识别算法，其特征在于：步骤(1)中，所述使用骨干网络提取输入图像特征为预先在ImageNet数据集上进行预训练的ResNet50网络。

3.根据权利要求1所述的基于类间相似度的分布式标签的细粒度图像识别算法，其特征在于：步骤(2)中，所述中心损失模块通过特征表示X计算中心损失并更新类别中心C，具体过程为：

采用中心损失来与常规的交叉熵损失共同监督模型的训练，中心损失的定义表示为：

其中，X_i表示第i个训练数据x_i的深度特征表示，其所属类别为第y_i类，C_yi表示第y_i类的深度特征中心；在网络训练过程中，将类别中心{C_j}动态地进行更新，表示为：

其中，α表示类别中心的更新率；

针对类别中心的更新公式，利用加权更新的机制来动态调整类别中心，将ΔC_j的更新公式定义，表示为：

其中，m表示所有训练样本的数量；权重参数β_i被定义为训练样本x_i的预测概率分布的最大值，即：β_i＝maxp(x_i)。

4.根据权利要求3所述的基于类间相似度的分布式标签的细粒度图像识别算法，其特征在于：计算的分类损失为交叉熵损失，表示为：

5.根据权利要求4所述的基于类间相似度的分布式标签的细粒度图像识别算法，其特征在于：最终用于优化整个模型的目标损失函数，表示为：