[发明专利]群体度量学习分类方法、系统、计算机设备及存储介质

权利要求书

1.一种群体度量学习分类方法，其特征在于，所述方法包括：

获取图像数据集；

搭建三胞胎网络，所述三胞胎网络有三个输入，分别用于输入锚点样本、正样本和负样本；

从图像数据集中构建锚点样本数据集、正样本数据集和负样本数据集，作为三胞胎网络的输入，使用多类N对中心损失函数训练三胞胎网络，实现群体度量学习，所述多类N对中心损失函数是根据多类N对损失函数改进的损失函数；

利用训练好的三胞胎网络对待测图像进行分类。

2.根据权利要求1所述的群体度量学习分类方法，其特征在于，所述从图像数据集中构建锚点样本数据集、正样本数据集和负样本数据集，作为三胞胎网络的输入，使用多类N对中心损失函数训练三胞胎网络，具体包括：

假设在一个min-batch中，有N个类共计M个样本，预先求N个类的各个中心C＝(C₁，C₂，…，C_N)，每个类的所有样本为x＝(x₁，x₂，…，x_M)；

针对第一个样本x₁，将x₁设为锚点样本，则本类中心C₁作为正样本，其他九类中心C′＝(C₂，C₃，…，C_N)作为负样本；

将锚点样本数据集、正样本数据集和负样本数据集作为三胞胎网络的输入，使用多类N对中心损失函数训练三胞胎网络。

3.根据权利要求1所述的群体度量学习分类方法，其特征在于，所述多类N对中心损失函数具体定义为：

其中，f表示样本到特征的映射f_θ(·)，和分别表示负样本对和正样本对的余弦相似度。

4.根据权利要求1所述的群体度量学习分类方法，其特征在于，所述三胞胎网络在采用有监督训练的同时，加入数据增强方法mixup。

5.根据权利要求1所述的群体度量学习分类方法，其特征在于，所述所述三胞胎网络在采用无监督训练的同时，加入数据增强方法mixup和温度参数T，在训练完成后，使用EuroSAT数据集在训练完成的三胞胎网络上进行特征提取。

6.根据权利要求4-5任一项所述的群体度量学习分类方法，其特征在于，所述mixup的实现方法为：

针对锚点样本数据集、正样本数据集和负样本数据集，在三个数据集中任意选取两个样本(x_i，y_i)、(x_j，y_j)，并通过下式得到一个新的样本(x，y)：

x＝Φx_i+(1-Φ)x_j

y＝Φy_i+(1-Φ)y_j

其中，Φ～Beta(α，α)，α∈(0，∞)，表示两个样本的融合比例。

7.根据权利要求1-5任一项所述的群体度量学习分类方法，其特征在于，所述三胞胎网络的主干网络为Resnet50。

8.一种群体度量学习分类系统，其特征在于，所述系统包括：

获取模块，用于获取图像数据集；

搭建模块，用于搭建三胞胎网络，所述三胞胎网络有三个输入，分别用于输入锚点样本、正样本和负样本；

训练模块，用于从图像数据集中构建锚点样本数据集、正样本数据集和负样本数据集，作为三胞胎网络的输入，使用多类N对中心损失函数训练三胞胎网络，实现群体度量学习，所述多类N对中心损失函数是根据多类N对损失函数改进的损失函数；

分类模块，用于利用训练好的三胞胎网络对待测图像进行分类。

9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的群体度量学习分类方法。

10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的群体度量学习分类方法。