[发明专利]基于分层选择性Adaboost-DNNs的图像分类模型建立、分类方法及系统

权利要求书

1.一种基于分层选择性Adaboost-DNNs的图像分类模型建立方法，其特征在于，包括如下步骤：

步骤1：获取图像数据集，标注图像数据集中的每张图像的类别获得J个类别，将图像分为第一训练集和第二训练集，并设定第一训练集中每张图像的初始权重为其中，Q为第一训练集的图像总数且Q为正整数；

步骤2：建立HS Adaboost-DNNs模型，所述的HS Adaboost-DNNs模型包括M个子网络，M为正整数，将图像数据集的J个类别作为标签集，采用第一训练集、第二训练集和标签集对HS Adaboost-DNNs模型进行训练，至模型收敛后训练结束，将训练好的HS Adaboost-DNNs模型作为图像识别预测模型；

其中，所述HS Adaboost-DNNs模型的训练过程包括如下子步骤：

步骤2.1：采用当前第一训练集对第m个子网络采用梯度下降方法进行训练，m∈{1,2,...,M}，至第m个子网络收敛后训练结束，获得训练好的第m个子网络；

对m进行判断：若mM则执行步骤2.2，若m＝M则HS Adaboost-DNNs模型训练结束；

步骤2.2：将当前第二训练集输入训练好的第m个子网络中，输出当前第二训练集中第i张图像的预测类别其中，i∈{1,2,...,I}，I为第二训练集的图像总数；

步骤2.3：根据当前第二训练集第i张图像的预测类别和第二训练集中第i张图像的类别t_i，进行判断：

若第二训练集中的图像满足则当前第二训练集中第i张图像的图像权重采用式1更新为

其中，表示当前第二训练集中第j类别中第i张图像的图像权重，j∈{1,2,...,J}，中表示更新前第二训练集中第j类别图像的类别权重，当m＝1时，为初始类别权重且初始类别权重为α^m表示第m个子网络的子网络的权重系数；

若第二训练集中的图像满足则当前第二训练集中第i张图像的图像权重采用式2更新为

步骤2.4：对当前第二训练集中更新后的图像权重按照类别分别求和，获得当前第m个子网络所有类别的类别权重；

步骤2.5：令当前第一训练集中每张图像的图像权重等于当前第m个子网络中其所在类别的类别权重，并令m＝m+1返回步骤2.1。

2.如权利要求1所述的基于分层选择性Adaboost-DNNs的图像分类模型建立方法，其特征在于，M＝5且五个子网络分别是：Alexnet、vgg16、Inception V3、Mobilenet V2和Resnet-50。

3.如权利要求1所述的基于分层选择性Adaboost-DNNs的图像分类模型建立方法，其特征在于，步骤1中将第一训练集中的图像按照类别划分为多个三元组，每个三元组包括三张图像且三张图像属于两个类别。

4.如权利要求3所述的基于分层选择性Adaboost-DNNs的图像分类模型建立方法，其特征在于，步骤2在训练时，损失函数L^MCJ为式3：

L^MCJ＝L_Cross+γL_Triplet                        式3

其中，γ是超参数，L_Cross是带有类别权值交叉熵损失函数，L_Triplet是triplet loss损失函数。