[发明专利]一种支持增量学习的图片分类方法及装置

说明书

本发明公开了一种支持增量学习的图片分类方法及装置，其方法包括：选取训练集中的训练图片样本输入卷积神经网络，通过卷积神经网络选取典型图片样本；通过典型图片样本更新代表性记忆内存；将代表性记忆内存和增量任务的数据集进行数据增广，构建测试集；将测试集中的测试图片样本输入卷积神经网络，通过卷积神经提取特征向量；将所有测试图片样本的特征向量输入训练好的分类器，通过分类器增量输出图片分类结果。本发明能够学习图片特征，在线分类图片，提高分类准确率。

技术领域

本发明涉及一种支持增量学习的图片分类方法及装置，属于图像分类技术领域。

背景技术

传统的机器学习方式多为离线学习和批量学习，离线学习和批量学习的方式不能动态学习数据特征，同时需要耗费大量内存空间存储历史数据。增量学习旨在开发一种不会停止学习，而是随着时间不断更新模型参数的算法。近年来，随着大数据的显著增长，增量学习已经成为热门方向。

近年来，该领域已经涌现出很多研究成果。早期的增量学习算法大部分基于前馈神经网络。ParekhR等人给出了一种通过调整多层感知器神经网络(MLP)结构实现增量学习的方法。当新样本所含知识不在MLP网络已学到的知识范围内时，通过添加隐层单元的方法实现对新样本的增量学习。但是，当新样本规模较大时，通过权值调整、结构调整的方法实现增量学习将会出现困难。被动主动算法(passive aggressive learning,PA)是一种二阶算法，在学习过程中考虑预测的置信水平，即样本到当前决策边界的间距，使用该信息来辅助模型更新，PA采用更复杂的学习步长：每个样本上的学习步长与该样本被分类的置信水平。置信度加权学习(confidence-weighted learning,CW)是另一种二阶算法，它是PA算法的拓展。但是算法CW总是强迫当前样本被正确分类，这个约束使得它极容易受到噪声数据的影响而产生过拟合。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种支持增量学习的图片分类方法及装置，能够对于图片的在线分类，能够显著的提高分类准确率。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种图片分类方法，包括：

选取训练集中的训练图片样本输入卷积神经网络，通过卷积神经网络选取典型图片样本；

通过典型图片样本更新代表性记忆内存；

将代表性记忆内存和增量任务的数据集进行数据增广，构建测试集；

将测试集中的测试图片样本输入卷积神经网络，通过卷积神经提取特征向量；

将所有测试图片样本的特征向量输入训练好的分类器，通过分类器增量输出图片分类结果。

优选的，所述通过卷积神经网络选取典型图片样本包括：卷积神经网络根据输入的训练图片样本中能够正确识别的训练图片样本输出后验概率，按照后验概率从高到低的顺序从训练图片样本中选取典型图片样本。

优选的，所述卷积神经网络包括：8个卷积层，每个所述卷积层使用一个3×3的卷积核和64个节点，在第2、4、6和8个卷积层后增加MaxPooling层，每个所述MaxPooling层的池大小为2×2，步长为2；在最后一个MaxPooling层上增加一个Dropout层，Dropout概率为0.5。

优选的，所述通过卷积神经提取特征向量包括：

通过卷积层对输入的测试图片样本进行卷积处理得到图像特征；

通过批归一化对图像特征进行归一化处理；

通过MaxPooling层对归一化后的图像特征进行池化处理；

通过ReLU激活函数激活池化后的图像特征得到特征向量。