[发明专利]面向图像大数据的类增量分类方法、系统、装置及介质

权利要求书

1.一种面向图像大数据的类增量分类方法，其特征在于，包括初始化训练阶段和增量学习阶段；

所述初始化训练阶段包括：

构建图像的初始数据集；

根据所述初始数据集训练初始分类模型；

所述增量学习阶段包括：

根据所述初始数据集和图像的新数据构建增量学习数据集；

根据所述初始分类模型获取增量学习新模型，根据增量学习数据集和蒸馏算法训练所述增量学习新模型，得到能够识别新旧类别的模型；

其中，所述蒸馏算法使模型的类间距离扩大及类内距离缩小；

所述训练初始分类模型的过程中，采用HM-Softmax作为分类损失函数；

所述分类损失函数的公式为：

其中，为所有训练样本数量，p_i为模型对样本x_i输出预测概率，当p_i小于阈值ε时，

I(p_i)＝1，否则I(1_i)＝0；

所述根据所述初始分类模型获取增量学习新模型，包括：

将所述初始分类模型的参数进行冻结，作为旧模型；

对所述旧模型进行结构调整，获得具有类增量学习功能的新模型，作为增量学习新模型；

所述对所述旧模型进行结构调整，包括：

在所述旧模型的全连接层添加k个神经元节点，作为新类别的分类器；

所述增量学习新模型具有s+k个输出节点，s为旧数据中的类别数量，k为新增的类别数量；

所述根据增量学习数据集和蒸馏算法训练所述增量学习新模型的步骤，包括：

从所述增量学习数据集中获取样本对；

计算所述样本对在所述旧模型上的特征距离，以及在所述新模型上的特征距离，根据所述特征距离获取类间距离和类内距离；

当新模型的类间距离小于旧模型的类间距离时，对所述新模型进行调整，以使新模型的类间距离扩大；

当新模型的类内距离大于旧模型的类内距离时，对所述新模型进行调整，以使新模型的类内距离缩小；

所述根据增量学习数据集和蒸馏算法训练所述增量学习新模型的步骤，还包括：

获取新模型的分类器输出的logits，以及旧模型的分类器输出的logits；

判断旧模型的logits中的最大预测值是否与标签相符，若相符，根据旧模型的logits调整新模型的参数，以使新模型的logits接近旧模型的logits；若不相符，忽略旧模型的logits。

2.根据权利要求1所述的一种面向图像大数据的类增量分类方法，其特征在于，所述根据所述初始数据集和图像的新数据构建增量学习数据集，包括：

从所述初始数据集中获取样本作为旧类别训练数据；

获取新数据，对新数据进行预处理，预处理的操作包括对新数据中的图像进行尺寸归一化处理以及标注处理；

将所述旧类别训练数据和预处理后的所述新数据进行混合，获得增量学习数据集。

3.根据权利要求1所述的一种面向图像大数据的类增量分类方法，其特征在于，所述初始分类模型采用深度残差网络RestNet18作为网络框架，包括17层卷积层和1层全连接层，且第17层卷积层的输出不进行Relu函数激活。