[发明专利]一种基于层进式特征变换的弱监督细粒度图像分类方法

权利要求书

1.一种基于层进式特征变换的弱监督细粒度图像分类方法，其特征在于步骤如下：

步骤1：利用Selective Search方法提取每一幅训练图像的候选区域，然后筛选出候选区域,将筛选出的候选区域和训练图像合并作为训练数据集，在此训练数据集上训练卷积神经网络模型得到图像级别分类器；

利用Deep Descriptor Transform方法，对每一类训练图像特征进行特征变换，提取出每一类训练图像中最具有正关联性的区域，将其作为目标对象潜在区域，并和训练图像合并作为训练数据集，在此训练数据集上训练卷积神经网络模型得到目标对象级别分类器；

利用Deep Descriptor Transform方法，对相似类别训练图像的目标潜在区域特征进行特征变换，从相似类别训练图像的目标潜在区域中提取出最具有负关联性的区域，将其作为目标部件潜在区域，并和训练图像合并作为训练数据集，在此训练数据集上训练卷积神经网络模型得到目标部件级别分类器；

步骤2：以图像级别分类器、目标对象级别分类器和目标部件级别分类器分别对测试图像进行分类打分，按照下式：

final_score＝α*original_score+β*object_score+γ*part_score

对三种分类器的分类打分进行加权融合，得到测试图像的最终分类得分，根据此分类得分赋予测试图像相应类别标签，完成图像分类；

其中：original_score、object_score和part_score分别表示图像级别、目标对象级别和目标部件级别分类器对测试图像的打分，α、β和γ分别代表相应每个分类器的权重。

2.根据权利要求1所述基于层进式特征变换的弱监督细粒度图像分类方法，其特征在于：所述步骤1候选区域的筛选方法为：在训练图像集上微调在ImageNet数据集上预训练之后的卷积神经网络，将候选区域输入到该卷积神经网络中得到候选区域的分类得分，从每幅训练图像的分类得分大于特定阈值m的候选区域中，筛选出t个分类得分最高的候选区域。

3.根据权利要求1所述基于层进式特征变换的弱监督细粒度图像分类方法，其特征在于：所述步骤1相似类别的计算方法为：提取每一类别中每一幅训练图像的特征，将每一类别中所有训练图像的特征进行求平均，得到每一类别的特征均值，计算每一类别特征均值与其他类别特征均值之间的欧式距离，将距离某一类别特征均值最近的类别作为该类别的相似类别。