[发明专利]一种应用于无人机图像的高精度多标签分类方法

权利要求书

1.一种应用于无人机图像的高精度多标签分类方法，其特征在于：所述应用于无人机图像的高精度多标签分类方法，包括：

通过无人机采集图片，对图片中不同类别的目标进行不同的标签标注，为每张图像生成对应的标签序列，以一张图片及其对应的标签序列为一个样本，生成样本数据集；

计算一个样本同时包含两个不同标签的支持度，得到每个标签对应的频繁项集合；

采用训练好的卷积神经网络输出每个样本分别属于每个标签的概率，选取概率大于指定第一概率的形成概率子集；

对概率子集中每个概率采用频繁项集合进行加权，计算得到每个样本分别属于每个标签的精准概率，当精准概率大于指定的第二概率，认为样本属于对应的标签，完成标签分类。

2.如权利要求1所述的应用于无人机图像的高精度多标签分类方法，其特征在于：所述卷积神经网络为残差神经网络。

3.如权利要求2所述的应用于无人机图像的高精度多标签分类方法，其特征在于：所述卷积神经网络训练时，采集图片若干张，并对各图片进行数据增强后，划分为训练集和验证集；

然后将训练集输入至卷积神经网络中，对卷积神经网络进行训练，且定义损失函数检验卷积神经网络训练的结果，并检验结果反馈给卷积神经网络训练。

4.如权利要求3所述的应用于无人机图像的高精度多标签分类方法，其特征在于：所述损失函数的计算公式如下：

L_c＝{l_1，c，l_2，c，...，l_n，c}^T

且，

l_n，c＝W_n，c[R_cy_n，c·log σ(x_n，c)+(1-y_n，c)·log(1-σ)(x_n，c)]

其中，c表示标签，L_c表示标签c的损失值，l_n，c表示样本n在标签c上的损失值，T表示矩阵转置，n表示样本数量，W_n，c和σ分别表示超级参数，R_c表示标签c取值为1是的权重调节系数，R_c＞1表示增加召回率，R_c＜1表示增加精度，y_n，c表示第n个样本中的标签c对应的属性，表示n个样本中的标签c残差神经网络的输出值。

5.如权利要求3所述的应用于无人机图像的高精度多标签分类方法，其特征在于：所述数据增强包括：

对采集的图片进行翻转、缩放、平移或颜色变换。

6.如权利要求1所述的应用于无人机图像的高精度多标签分类方法，其特征在于：所述计算一个样本同时包含两个不同标签的支持度，包括：

利用FP-growth算法构件FP树，并采用支持度公式计算一个样本同时包含两种标签出现的支持度，且支持度公式如下：

其中，bi、bj分别表示两个不同的标签，sup(bi→bj)表示标签bi出现时标签bj出现的支持度，num(bi，bj)表示同时包含标签bi和标签bj的样本数，nums表示样本总数。

7.如权利要求6所述的应用于无人机图像的高精度多标签分类方法，其特征在于：所述得到每个标签对应的频繁项集合，包括：

设定一个阈值，若支持度大于阈值，称标签bi和标签bj有关联度，并选出支持度大于阈值的形成频繁项集合，且频繁项集合如下：

其中，表示频繁项集合，A表示所有与标签b_j有关联度的标签集合，sup(A→b_j)表示A中所有标签分别与标签b_j的支持度的集合。