[发明专利]一种基于双路多分枝网络模型的特征提取方法

权利要求书

1.一种双路多分枝网络模型的特征提取方法，其特征在于，包括：

构建正图像样本包和负图像样本包，所述正图像样本包的图像样本包含待识别目标经过多个旋转角度旋转后的图像，所述负图像样本包的图像样本为不包含待识别目标经过多个旋转角度旋转后的图像；

将所述正图像样本包作为双路多分枝网络模型的输入，输出正图像样本包旋转不变性特征；

将所述负图像样本包作为双路多分枝网络模型的输入，输出负图像样本包旋转不变性特征；

根据所述正图像样本包旋转不变性特征和所述负图像样本包旋转不变性特征构建双中心损失函数；

根据所述双中心损失函数和Softmax函数对所述双路多分枝网络模型进行训练。

2.如权利要求1所述的一种双路多分枝网络模型的特征提取方法，其特征在于，正图像样本包和负图像样本包的构建方法包括：

获取同一训练批次的正图像样本对和负图像样本对；

对所述正图像样本对根据预设旋转角度集合进行旋转变换处理，获取所述正图像样本包；

对所述负图像样本对根据所述预设角度集合进行旋转变换处理，获得所述负图像样本包。

3.如权利要求1所述的一种双路多分枝网络模型的特征提取方法，其特征在于，根据所述正图像样本包旋转不变性特征和所述负图像样本包旋转不变性特征构建双中心损失函数的构建方法包括：

根据所述正图像样本包旋转不变性特征与正图像样本包旋转不变性特征中心构建正图像样本包类内距离约束项；

根据所述负图像样本包旋转不变性特征与负图像样本包旋转不变性特征中心构建负图像样本包类内距离约束项；

将所述正图像样本包类内距离约束项和所述负图像样本包类内距离约束项相加，获得类内距离嵌入项；

计算所述正图像样本包旋转不变性特征中心和所述负图像样本包旋转不变性特征中心的距离的反函数，获得类间距离嵌入项；

对所述类内距离嵌入项和所述类间距离嵌入项进行加权，获得所述双中心损失函数。

4.如权利要求3所述的一种双路多分枝网络模型的特征提取方法，其特征在于，所述正图像样本包类内距离约束项的计算方式包括：

其中，F_p为所述正图像样本包旋转不变性特征，为所述正图像样本包旋转不变性特征中心，为所述正图像样本包类内距离约束项。

5.如权利要求3所述的一种双路多分枝网络模型的特征提取方法，其特征在于，负图像样本包类内距离约束项的计算方式包括：

其中，F_n为所述负图像样本包旋转不变性特征，为所述负图像样本包旋转不变性特征中心，为所述负图像样本包类内距离约束项。

6.如权利要求4或5所述的一种双路多分枝网络模型的特征提取方法，其特征在于，所述类内距离嵌入项的计算方式包括：

其中，为所述正图像样本包类内距离约束项，为所述负图像样本包类内距离约束项，J_w为所述类内距离嵌入项。

7.如权利要求3所述的一种双路多分枝网络模型的特征提取方法，其特征在于，所述类间距离嵌入项的计算方式包括：

其中，为所述负图像样本包旋转不变性特征中心，为所述正图像样本包旋转不变性特征中心，J_b为所述类间距离嵌入项。

8.如权利要求1所述的一种双路多分枝网络模型的特征提取方法，其特征在于，所述双中心损失函数的计算方式包括：

J_dc＝λ₁J_b+λ₂J_w，

其中，λ₁为类间距离嵌入项的平衡系数；λ₂为类内距离嵌入项的平衡系数；J_b为所述类间距离嵌入项，J_w为所述类内距离嵌入项，J_dc为所述双中心损失函数。