[发明专利]一种基于改进YOLOv3的细粒度图像分类方法

摘要

一种基于改进YOLOv3的细粒度图像分类方法，该方法包括下述步骤：一、对细粒度图像进行预处理；二、通过Darknet‑53特征提取网络对输入图像提取特征；三、多层卷积网络得到三种大小的分类特征图，分别为13×13，26×26，52×52；四、提取细粒度特征图。五、将原分类特征图与细粒度特征图融合，改进损失函数，训练网络直到达到预先设定的迭代次数或准确率不再提升；六、细粒度图像类别识别。本发明在不增加图像检测时间的前提下，通过加入细粒度分类层，提高YOLOv3原网络对细粒度图像分类的准确度。

主权项

1.一种基于改进YOLOv3的细粒度图像分类方法，其特征在于，包括如下步骤：/n步骤1：把细粒度图像数据集随机分为训练集、验证集、测试集，通过图像预处理将图像缩放至416×416，采用数据增强方法扩充数据集；/n步骤2：通过Darknet-53网络提取输入图像特征；/n步骤3：经过三个(1×1卷积+Batch Normalization+LeakyRelu+3×3卷积+BatchNormalization+LeakyRelu)层后进入1×1分类卷积层得到尺寸为13×13×(4+1+类别)×3的输出特征图；通过上采样，重复上述操作得到尺寸为26×26×(4+1+类别)×3的输出特征图。再次上采样，重复上述操作得到尺寸为52×52×(4+1+类别)×3的输出特征图；/n步骤4：在输出特征图尺寸为13×13×(4+1+类别)×3的网络中抽取第76、78、80层的输出作为细粒度特征图，然后将这三个细粒度特征图相互做外积，经过符号平方根变换、拼接后进行1×1分类卷积得到尺寸为13×13×(4+1+类别)×3的细粒度分类特征图；在输出特征图尺寸为26×26×(4+1+类别)×3的网络中抽取第80、82、84层的输出作为细粒度特征图，然后将这三个细粒度特征图相互做外积，经过符号平方根变换、拼接后进行1×1分类卷积得到尺寸为26×26×(4+1+类别)×3的细粒度分类特征图；在输出特征图尺寸为56×56×(4+1+类别)×3的网络中抽取第84、86、88层的输出作为细粒度特征图，然后将这三个细粒度特征图相互做外积，经过符号平方根变换，拼接后进行1×1分类卷积得到尺寸为56×56×(4+1+类别)×3细粒度分类特征图；/n步骤5：将原YOLOv3网络得到的三个分类特征图和三个细粒度分类特征图拼接得到13×13×(4+1+类别)×3×2，26×26×(4+1+类别)×3×2，56×56×(4+1+类别)×3×2三个尺寸的分类特征图，修改损失函数，将原特征图和细粒度特征图乘以不同的权重系数；/n步骤6：训练网络得到权重参数，对细粒度图像分类。/n