[发明专利]图像分类网络中基于信息瓶颈算法的图像分类方法

权利要求书

1.一种图像分类网络中基于信息瓶颈算法的图像分类方法，其特征在于，利用图像分类网络中特征提取层的输出获取模板高层特征、干净高层特征与对抗高层特征来迭代优化图像分类网络，利用信息瓶颈算法构建了总代价损失函数；该图像分类方法的步骤包括如下：

步骤1，生成干净样本集：

根据待分类图像的任务选取至少2种类别、每种类别至少5000张图像组成干净样本集，将每张图像以与图像大小相同维度的矩阵的形式呈现；

步骤2，构建图像分类网络：

构建一个与待分类图像的任务对应的，由特征提取层、线性分类层串联组成的图像分类网络，并设置图像分类网络各层参数；

步骤3，通过训练图像分类网络得到训练好的模板网络：

将干净样本集输入到图像分类网络中，输出每个样本的预测类别概率，利用交叉熵损失函数，计算每个样本的预测类别概率与该样本对应的类别标签间的损失，通过反向传播算法更新迭代目标网络的参数，直到交叉熵损失函数收敛为止，得到训练好的模板网络，保存训练终止时模板网络中特征提取层输出的模板高层特征矩阵；

步骤4，生成对抗样本集：

步骤4.1，从干净样本集中选取一个未选过的干净样本，将所选样本与随机数矩阵相加后得到一个中间矩阵，将中间矩阵输入到图像分类网络中，通过反向传播算法取得中间矩阵的反向梯度矩阵，将反向梯度矩阵与干净样本相加后得到对抗样本，每个对抗样本以维度与干净样本相同大小的矩阵的形式呈现；

步骤4.2，判断是否选完干净样本集中所有的干净样本，若是，则将所有对抗样本组成对抗样本集后执行步骤5，否则，执行步骤4.1；

步骤5，利用信息瓶颈算法构建总代价损失函数如下：

其中，表示总代价损失函数，N表示干净样本集中样本的总数，∑表示求和操作，Z_i表示将当前迭代的干净样本集中第i个样本输入训练好的模板网络后特征提取层输出的模板高层特征矩阵，log表示以2为底的对数操作，X_i表示将当前迭代的干净样本集中第i个样本输入到图像分类网络后特征提取层输出的干净高层特征矩阵，W_i表示将当前迭代的对抗样本集中第i个样本输入图像分类网络后特征提取层输出的对抗高层特征矩阵，Y_i表示当前迭代的干净样本集与对抗样本集中第i个样本对应的类别标签，Q_i表示将当前迭代的干净样本集中第i个样本输入图像分类网络后输出的预测类别概率，P_i表示将当前迭代的对抗样本集中第i个样本输入图像分类网络后输出的预测类别概率；

步骤6，训练图像分类网络得到目标网络：

将干净样本与对抗样本依次输入到图像分类网络中，输出每张训练图像的预测类别概率，使用梯度下降法，更新迭代图像分类网络的参数，判断总代价损失函数是否收敛，若是，则得到训练好的目标网络后执行步骤7，否则，保存当前迭代的图像分类网络参数后执行步骤4；

步骤7，对待分类的图像进行分类：

将待分类的每张图像均缩放为与步骤1中干净样本集中样本大小相同的图片，将每张图片输入到训练好的目标网络中，输出该图片中每个目标类别的预测概率，将所有预测概率中值最高的概率所对应的类别，作为该图片对应图像的分类结果。

2.根据权利要求1所述的图像分类网络中基于信息瓶颈算法的图像分类方法，其特征在于，步骤3中所述的交叉熵损失函数如下：

其中，J表示交叉熵损失函数，N表示干净样本集中样本的总数，Σ表示求和操作，i表示干净样本集中样本的序号，Y_i表示干净样本集中第i个样本对应的类别标签，log表示以2为底的对数操作，P_i表示将干净样本集中第i个样本输入图像分类网络后输出的预测类别概率。

3.根据权利要求1所述的图像分类网络中基于信息瓶颈算法的图像分类方法，其特征在于，步骤4.1中所述随机数矩阵是指，该随机数矩阵的大小与干净样本相同大小，由与干净样本像素个数相同的、绝对值小于扰动因子的随机数组成。