[发明专利]一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法

说明书

本发明公开了一种用于基于AM‑Softmax损失的蝴蝶图像细粒度识别方法，属于计算机视觉领域；具体步骤包括：首先选择使用网络收集以及标注的334类蝴蝶数据集作为实验数据集，并进行预处理操作；然后，建立双线性模型；其次，使用AM‑Softmax作为损失函数，选择优化方法，设置合适的学习率以及迭代次数等超参数，训练双线性网络，训练完成后保存模型；最后，对测试集图像进行测试，输出分类准确率。本说明在计算机视觉、细粒度识别领域具有一定的研究意义和价值。

技术领域

本发明属于机器视觉中的图像识别技术领域，尤其涉及一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法。

背景技术

现在大多数的图像识别，通常是针对不同物种进行的识别，例如“鸟”、“车”、“狗”等，类别间特征差异较为明显。然而，在许多的实际应用当中，我们需要识别的往往不是它是属于哪个物种，而是想要具体的知道它是这个物种中的哪个类别，这就是细粒度图像识别任务。针对于蝴蝶进行的图像识别分类就属于细粒度图像识别任务，蝴蝶与人类生活和自然环境息息相关，一方面，在生态环境中，蝴蝶有助于保护生态系统健康，帮助科学家监测气候变化，有助于花的授粉；另一方面，在人类生活中，蝴蝶有着很高的观赏价值，有助于促进旅游业的发展，因此，针对于蝴蝶图像进行识别分类无论是在生态方面，还是人类生活方面都具有重大意义。

与传统图像识别任务相比，蝴蝶图像识别任务难点在于其图像所属类别的力度更为精细，物体的差异仅仅体现在细微之处，并且由于受姿态、光照等的影响，其类内差异非常大，类间差异比较小；其次，在生态图像中，蝴蝶尺寸较小，仅仅占据图像很小的位置；最后，蝴蝶还具有一种拟态的能力，这使得其蝴蝶目标与背景难以区分，这些均为细粒度蝴蝶图像的识别分类带来了巨大的挑战。

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法在图像识别领域取得了巨大的成功，它首先自动提取图像的特征，然后使用软最大(softmax)分类器进行分类识别。在传统图像识别训练中，通常使用交叉熵损失函数，该损失函数擅长处理优化类间差异，即分离不同的类，但是针对于蝴蝶这种类内差异非常大，类间差异不是很大的图像来说，其并不擅长减少类内差异(即使同一类的特性紧凑)，因而可能会影响最终的识别准确率。

本发明通过引入AM-Softmax损失函数，将交叉熵损失重新定义为一种余弦损失，并在此基础上引入余弦边缘项来进一步增大决策区域，进而让类内特征更为的紧凑，类间的差异更为的明显，最终提升蝴蝶图像识别分类的准确率。

本发明在自主构建的334类蝴蝶图像数据集上进行实验，基于双线性模型，引入AM-Softmax损失函数，有效的对蝴蝶细粒度图像进行识别。

发明内容

本发明要解决的技术问题是，提供一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法，用于提升蝴蝶细粒度图像识别的准确率，本发明采用如下的技术方案：

一种基于AM-Softmax损失的蝴蝶图像细粒度识别的方法包括以下步骤：

步骤1：预处理蝴蝶图像细粒度识别数据集，本发明在自主构建的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(包含N_t幅图像)和测试集D_s(包含N_s幅图像)，图像数据集表示为D＝{(I_i,y_i)}(1≤i≤N)，其中蝴蝶图像为I_i，类别标签为y_i；