[发明专利]一种基于双分支网络的细粒度图像分类方法及系统

权利要求书

1.一种基于双分支网络的细粒度图像分类方法，其特征在于，包括：

对待分类目标图像进行预处理；

将预处理后的目标图像输入预先训练好的非最大值激活双分支网络，提取得到待分类目标图像特征；其中，所述非最大值激活双分支网络包括非最大值激活模块和同构双分支子网络，所述非最大值激活模块用于输出最大激活特征和非最大值激活特征，输出的特征输入所述同构双分支子网络，由同构双分支子网络进行学习，输出待分类目标图像特征；

基于得到的待分类目标图像特征，采用分类器进行类别预测，得到待分类目标图像特征的类别预测结果；

采用预设的融合方法融合类别预测结果，得到待分类目标图像的分类结果。

2.根据权利要求1所述的基于双分支网络的细粒度图像分类方法，其特征在于，所述对待分类目标图像进行预处理，包括：

将待分类目标图像缩放至600像素×600像素大小，以图像中心为中心裁剪一个大小为448像素×448像素的图像区域。

3.根据权利要求1所述的基于双分支网络的细粒度图像分类方法，其特征在于，所述非最大值激活双分支网络包括图像预处理模块、骨干网特征提取模块、非最大值激活模块和同构双分支子网络。

4.根据权利要求1所述的基于双分支网络的细粒度图像分类方法，其特征在于，所述非最大值激活双分支网络通过以下步骤训练的：

将用于训练的图像输入所述非最大值激活双分支网络；在预设的目标损失函数指导下，采用随机梯度下降算法对非最大值激活双分支网络的参数进行训练，得到最优网络参数。

5.根据权利要求4所述的基于双分支网络的细粒度图像分类方法，其特征在于，所述预设的目标损失函数为：

L＝L^CE+λL^DB (1)

式(1)中，L表示目标损失函数；λ表示L^CE和L^DB之间的权重；L^CE表示交叉熵分类目标损失函数，通过下式表示：

式(2)中，B表示输入图像张数；f^b表示第b张图像特征，y^b表示第b张图像的真实标签，且y^b∈{1，2，...，C}，表示特征f^b映射到真实标签类别y^b的权重参数，W_j表示特征f^b映射到第j个类别的权重参数，C为类别总个数；

式(1)中，L^DB表示相似度度量目标损失函数，通过下式表示：

式(3)中，表示不同分支特征间相似度矩阵，表示第b张图像特征和拼接并标准化的特征，表示转置后的特征，diag(S_b)表示提取S_b主对角线的值，B表示输入图像张数。

6.根据权利要求1所述的基于双分支网络的细粒度图像分类方法，其特征在于，所述非最大值激活模块的计算过程包括：

F^m，Fⁿ＝NAM(F) (4)

式(4)中，NAM(.)表示模块计算过程；F表示输入非最大值激活模块的特征，满足F∈R^B×L×C；其中B表示输入图像张数、L表示特征维数、C表示特征通道数；F^m表示非最大值激活模块输出的最大值激活特征，满足F^m∈R^B×L×C，

Fⁿ表示非最大值激活模块输出的非最大值激活特征，满足Fⁿ∈R^B×L×C。