[发明专利]一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法

权利要求书

1.一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法，其特征在于：包括以下步骤：

步骤1：预处理蝴蝶图像细粒度识别数据集，构建的334类共N幅蝴蝶图像的数据集D上面进行验证，将每一种类的数据集以8:2的比例划分为训练和测试图像，最终得到训练集D_t和测试集D_s，整个蝴蝶图像数据集表示为D＝{(I_i,y_i)}，1≤i≤N，其中I_i表示蝴蝶图像，y_i表示类别标签；

步骤2：构建基础网络，选择VGG-16的前13层作为基础网络，该基础网络由5个卷积块组成，其中前两个卷积块包含两个卷积层和一个池化层，后三个卷积块包含三个卷积层和一个池化层，其中每个卷积核大小都是3×3，采用最大池化的方式；基础网络的输入为彩色图像I_i∈R^h×w×3，其中h和w分别表示图像的高度和宽度，3表示图像的通道个数，网络的输出为多通道的特征；

步骤3：构建双线性网络模型，此网络包含A和B两个并行的分支，其中A分支用于提取细粒度特征，B分支用于定位区域，这两个分支都使用步骤2中的基础网络：

步骤4：建立网络的损失函数，使用AM-Softmax作为损失函数，表示为：

其中，f代表输出层的输入，是最后一个全连接层权值矩阵W的第y_p列，y_p代表第p个样本真实标签的序号，m通常是一个大于1的整数，s为缩放因子；

步骤5：网络训练：设置迭代次数、学习率超参数，使用随机梯度下降算法对网络参数进行迭代更新，保存最终的模型；

步骤6：网络测试：加载保存的模型，将测试集D_s输入网络中，获得最终的分类准确率。

2.根据权利要求1所述的一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法，其特征在于：步骤3包括以下步骤：

步骤3.1:对于第p幅训练图像I_p∈R^h×w×3，1≤p≤N_t，双线性网络首先分别使用A和B两个分支提取特征，得到两个维度相同的特征和

步骤3.2：将特征和分别拉伸成一个向量，表示为：

其中，vector(·)表示向量化操作；

步骤3.3：使用外积操作对和进行特征融合，表示为：

其中，bi^p表示第p幅图像I_p融合后的特征；

步骤3.4:将bi^p拉伸为向量，得到第p幅图像I_p的双线性特征：

Bi^p＝vector(bi^p)

其中，vector(·)表示向量化操作；

步骤3.5:将获取到的双线性特征做如下标准化计算：

其中，z^p表示第p幅图像I_p归一化后的双线性特征；

步骤3.6：使用softmax分类器对归一化后的双线性特征z^p进行分类，得到输出结果o^p∈R^1×C，表示为：

其中C代表图像类别的个数。