[发明专利]一种支持增量学习的图片分类方法及装置

权利要求书

1.一种图片分类方法，其特征在于，包括：

选取训练集中的训练图片样本输入卷积神经网络，通过卷积神经网络选取典型图片样本；

通过典型图片样本更新代表性记忆内存；

将代表性记忆内存和增量任务的数据集进行数据增广，构建测试集；

将测试集中的测试图片样本输入卷积神经网络，通过卷积神经提取特征向量；

将所有测试图片样本的特征向量输入训练好的分类器，通过分类器增量输出图片分类结果。

2.根据权利要求1所述的一种图片分类方法，其特征在于，所述通过卷积神经网络选取典型图片样本包括：

卷积神经网络根据输入的训练图片样本中能够正确识别的训练图片样本输出后验概率，按照后验概率从高到低的顺序从训练图片样本中选取典型图片样本。

3.根据权利要求2所述的一种图片分类方法，其特征在于，所述卷积神经网络包括：8个卷积层，每个所述卷积层使用一个3×3的卷积核和64个节点，在第2、4、6和8个卷积层后增加MaxPooling层，每个所述MaxPooling层的池大小为2×2，步长为2；在最后一个MaxPooling层上增加一个Dropout层，Dropout概率为0.5。

4.根据权利要求3所述的一种图片分类方法，其特征在于，所述通过卷积神经提取特征向量包括：

通过卷积层对输入的测试图片样本进行卷积处理得到图像特征；

通过批归一化对图像特征进行归一化处理；

通过MaxPooling层对归一化后的图像特征进行池化处理；

通过ReLU激活函数激活池化后的图像特征得到特征向量。

5.根据权利要求1所述的一种图片分类方法，其特征在于，所述分类器包括正则对偶平均算法RDA和软置信度加权算法SCW，所述正则对偶平均算法RDA用于提高流数据的特征提取能力，所述软置信度加权算法SCW用于输出分类结果。

6.根据权利要求5所述的一种图片分类方法，其特征在于，所述软置信度加权算法SCW的优化问题的表达式如下：

其中，N(μ，Σ)表示分类器的服从均值向量μ与协方差矩阵Σ的高斯分布，D_KL表示新的高斯分布N(μ_t+1，Σ_t+1)与当前的高斯分布N(μ_t，Σ_t)之间的散度，ι^Φ为损失函数，C表示权衡被动和侵略性的参数，(x_t，y_t)表示输入的特征向量；

其封闭解为：

其中，α_t和β_t分别为系数，其表达式如下：

其中，Φ＝Φ^-1(η)；Φ表示正态分布的累积函数，Φ^-1(η)为Φ的反函数，反函数用于生成服从该随机分布的随机变量，η∈[0,1]。

7.根据权利要求6所述的一种图片分类方法，其特征在于，所述正则对偶平均算法RDA的的权重更新策略的表达式如下：

其中，G^(t)，W表示梯度G^(t)对权重W的积分平均值，Ψ(W)为正则项，Ψ(W)＝λ‖W‖₁，λ表示学习率，h(W)为一个辅助的严格凸函数，β^(t)为一个非负且非自减序列，t表示时间步长。

8.根据权利要求5所述的一种图片分类方法，其特征在于，所述分类器的训练包括：

选取训练集中的训练图片样本输入卷积神经网络，通过卷积神经网络提取特征向量；

分类器根据输入的训练图片样本的特征向量输出预测标签；

判断预测标签与训练图片样本的实际标签是否一致，

若是，则保持分类器不变，如否，则更新分类器的参数。

9.一种图片分类装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。