[发明专利]一种基于深度学习模型的少数民族服饰分类方法和系统

权利要求书

1.一种基于深度学习模型的少数民族服饰分类方法，其特征在于，包括如下步骤：

步骤1，输入少数民族服饰图像；

步骤2，采用深度学习模型的分割模块对少数民族服饰图像中的帽子、衣服及鞋子进行分割，构造二值图像；

步骤3，采用深度学习模型的回归模块对所述二值图像进行分类，得到少数民族服饰的分类结果；

其中，所述分割模块从输入到输出依次包括如下部分：

(1)3×3卷积层；

(2)R block模块和Max pooling层；

(3)R block模块和Max pooling层；

(4)R block模块；

(5)反卷积层；

(6)反卷积层和R block模块；

(7)反卷积层和R block模块；

(8)R block模块；

(9)1×1卷积层；

其中，3×3卷积层的特征图通过快捷连接级联到部分(7)中的反卷积层，部分(2)的Maxpooling层的特征图通过快捷连接级联到部分(6)中的反卷积层，部分(3)的Max pooling层的特征图通过快捷连接级联到部分(5)中的反卷积层。

2.按照权利要求1所述的分类方法，其特征在于：所述R block模块从输入到输出依次包括如下部分：

(a)特征输入层；

(b)1×1卷积层，将通道数变为3C；

(c)3×3卷积层和批归一化层；

(d)3×3卷积层和批归一化层；

(e)Seg block层；

(f)1×1卷积层和级联操作，将通道数变为C；

(g)输出层；

其中，部分(b)中的1×1卷积层的输出通过快捷连接级联到部分(f)的级联操作。

3.按照权利要求2所述的分类方法，其特征在于：所述Seg block层从输入到输出依次包括如下部分：

(i)特征输入层；

(ii)空洞卷积层，将通道数变为C/2；

(iii)1×1卷积层和一个Hadamard product层，将通道数变为C；

(iv)输出层；

其中，一个快捷连接将特征输入层与1×1卷积层输出进行Hadamard product操作。

4.按照权利要求3所述的分类方法，其特征在于：所述Hadamard product是行列数都相同的两个矩阵进行的矩阵计算操作，新矩阵的元素定义为两个矩阵对应元素的乘积。

5.按照权利要求1所述的分类方法，其特征在于：所述二值图像中，帽子的轮廓及内部的像素值、衣服的轮廓及内部的像素值和鞋子的轮廓及内部的像素值分别为1、2、3；轮廓外部图像为背景，像素值为4。

6.按照权利要求1所述的分类方法，其特征在于：所述分割模块的训练过程中，采用损失函数L进行优化，损失函数L的表达式如下：

其中：W为二值图像的宽，H为二值图像的高，N为类别数且N＝4，P_(i,j,n)为神经网络输出图像中第j行第i列像素为类别n的概率，G_(i,j,n)为对应训练集样本的二值图像中第j行第i列像素所属为n的类别，类别1表示像素为帽子的轮廓及内部，类别2表示像素为衣服的轮廓及内部，类别3表示像素为鞋子的轮廓及内部，类别4表示像素为背景区域。

7.按照权利要求1所述的分类方法，其特征在于：所述分割模块的训练过程中，采用损失函数L_i进行优化，损失函数L_i的表达式如下：

其中：为像素所在类别的概率，为像素类别的种类，N为类别数。