[发明专利]基于信道混合样本数据增强的图片分类方法和装置

说明书

本申请涉及一种基于信道混合样本数据增强的图片分类方法和装置。所述方法包括：构建信道混合样本数据增强模型，将信道混合样本数据增强模型插入预先构建的分类网络的特征提取层，得到样本增强分类网络；根据图像样本训练样本增强分类网络，得到训练好的样本增强分类网络，利用训练好的样本增强分类网络进行图片分类。采用本方法能够利用图像样本中的隐含信息，可以改善小型数据集中分类网络的泛化能力。

技术领域

本申请涉及计算机技术领域，特别是涉及一种基于信道混合样本数据增强的图片分类方法和装置。

背景技术

近来，大规模卷积神经网络在各种计算机视觉任务中表现出良好的性能，例如图像分类，目标检测，语义分割等。随着神经网络特征提取能力的发展，出现了一个问题，即网络对训练样本产生过度的记忆性，并且对对抗性样本产生敏感性，从而导致其训练过拟合和泛化能力下降。

为了解决上述问题，今年已经提出了数据扩充和正则化策略。传统的数据增强策略(例如旋转，噪声添加和颜色抖动)本质上是单个样本的变换，这就限制了变换的可能性。当遇到小的数据集时，传统的数据增强策略无法从根本上解决由于数据不足而导致的过拟合问题。最近提出的混合样本数据增强 (MSDA)策略通过根据预定义的策略混合不同的数据来实现数据增强，这可以突破对传统单样本变换的模仿，并大大增加了训练样本的数量和信息量。具体而言，同类样本间的混合可以减少网络对样本的记忆性，而不同类样本之间的混合可以促使神经网络更加注意样本内区分性较弱的部分，以降低对对抗性样本的敏感性。

最近，基于MSDA的策略在分类任务中显示出了出色的性能。具体来说， Mixup方法根据邻域风险最小化准则，通过线性叠加一对样本来构造新的训练样本。Cutmix方法继承了Cutout方法的样本区域缺失思想，通过将一个样本叠加在另一个样本的随机区域上来构建新的训练样本。为了丰富混合样本的信息， Fmix方法进一步采用了傅立叶二值掩码来混合一对样本，并提高了分类性能。然而，以上方法都是在空间维度上执行数据增强以混合样本的全局部分(例如， Mixup)或局部部分(例如，Cutmix和Fmix)，但是忽略了样本信道中隐含的信息。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决传统数据增强时忽略样本信道中隐含信息问题的基于信道混合样本数据增强的图片分类方法和装置。

一种基于信道混合样本数据增强的图片分类方法，所述方法包括：

构建信道混合样本数据增强模型；所述信道混合样本数据增强模型包括两个输入通道：所述输入通道包括：特征提取层和信道掩膜，所述特征提取层用于对图像样本进行特征提取，得到图像特征，所述图像特征与所述信道掩膜逐元素相乘，得到预混合特征，两个输入通道的预混合特征融合，得到混合样本；所述信道掩膜是通过预先设置的混合比率参数生成的，两个输入通道中其中一个输入通道的信道掩膜是另一个输入通道的信道掩膜取反得到的；

将所述信道混合样本数据增强模型插入预先构建的分类网络的特征提取层，得到样本增强分类网络；

根据图像样本训练所述样本增强分类网络，得到训练好的样本增强分类网络，利用训练好的样本增强分类网络进行图片分类。

一种基于信道混合样本数据增强的图片分类装置，所述装置包括：

增强模型构建模块，构建信道混合样本数据增强模型；所述信道混合样本数据增强模型包括两个输入通道：所述输入通道包括：特征提取层和信道掩膜，所述特征提取层用于对图像样本进行特征提取，得到图像特征，所述图像特征与所述信道掩膜逐元素相乘，得到预混合特征，两个输入通道的预混合特征融合，得到混合样本；所述信道掩膜是通过预先设置的混合比率参数生成的，两个输入通道中其中一个输入通道的信道掩膜是另一个输入通道的信道掩膜取反得到的；

增强分类模型构建模块，将所述信道混合样本数据增强模型插入预先构建的分类网络的特征提取层，得到样本增强分类网络；