[发明专利]基于增量式网络和动量对比学习的自监督图像分类方法

权利要求书

1.基于增量式网络和动量对比学习的自监督图像分类方法，其特征在于：包括如下步骤：

S1、获取无标签数据，并对无标签数据进行预处理使其通过数据增强满足网络的输入要求；

S2、利用当前阶段的增量式网络输出中间向量；

S3、将中间向量传入替换式的感知器MLP中使其映射到对比损失空间中；

S4、计算损失函数并更新网络；

S5、根据训练轮数决定是否提升训练阶段并加深网络深度；

S6、完成全部阶段训练得到最终网络模型并利用K近邻分类器对网络性能进行评估。

2.根据权利要求1所述的基于增量式网络和动量对比学习的自监督图像分类方法，其特征在于：步骤S1的预处理方法如下：

S11：获取无标签数据并将其下采样为一个样本金字塔{x₀,…,x_i-1,x_i,…,x_n},其中x_i是原样本x的在第i阶段的下采样版本，与样本金字塔对应的为网络金字塔{E₀,…,E_i-1,E_i,…,E_n}和动量网络金字塔{ME₀,…,ME_i-1,ME_i,…,ME_n}，其中E_i为与样本x_i对应的网络Encoder_i，为与样本x_i对应的动量网络MomentumEncoder_i；

S12：针对下采样的样本进行数据增强，数据增强方法包括随机长宽比裁剪，亮度、对比度和饱和度修改，概率转为灰度图，高斯噪声和概率水平翻转。

3.根据权利要求1所述的基于增量式网络和动量对比学习的自监督图像分类方法，其特征在于：步骤S2具体包括如下步骤：

S21：增量式网络会随着训练的阶段增加网络的深度，网络金字塔{E₀,…,E_i-1,E_i,…,E_n}中，网络E_i-1与网络E_i的关系为当网络第i-1阶段训练结束，对网络E_i-1添加两层卷积层成为新的网络E_i，动量网络同理；

S22：第i阶段的网络输入x_i在经过网络E_i-1后输出中间向量q′_i-1，经过网络E_i后输出中间向量q′_i；在经过网络ME_i-1后输出中间向量k′_i-1，经过网络ME_i后输出中间向量k′_i。