[发明专利]一种基于双路多分枝网络模型的特征提取方法

说明书

本发明公开了一种双路多分枝网络模型的特征提取方法，构建正图像样本包和负图像样本包；将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；根据正图像样本包旋转不变性特征和负图像样本包旋转不变性特征构建双中心损失函数；根据双中心损失函数和Softmax函数对双路多分枝网进行训练。解决了如何提高卷积神经网络的特征提取的丰富性以及提高样本的可分性的技术问题，达到了提高网络分类精度的技术效果。

技术领域

本发明属于图像处理领域，尤其涉及一种基于双路多分枝网络模型的特征提取方法。

背景技术

目前的深度学习在图像分类、目标识别、跟踪、图像分割、自然语言处理等领域取得了巨大的成功，图像特征的表征能力对于目标检测、图像分类等任务具有关键性作用。无论学术界还是工业界都已经证明了深度学习在计算机视觉领域中的有效性。在严重依赖输入数据的领域，如目标识别，卷积神经元网络结构具有从输入数据中学习到丰富的特征表示的能力。

但是根据目前的研究来看，对于卷积神经网络来说，尽管其特征的表征能力、泛化能力得到了巨大的提高，但是卷积神经网络所学习的到的深度特征依然不具备旋转不变性，这制约了卷积神经网络在复杂场景下的性能。

鉴于此，一种新的特征提取方法有待提出，以解决如何提高卷积神经网络的特征提取的丰富性以及分类模型的分类精度。

发明内容

本发明的目的是提供一种双路多分枝网络模型的特征提取方法，以提高卷积神经网络提取特征的丰富性，从而提升分类模型的分类精度。

本发明采用以下技术方案：

本发明提供了一种双路多分枝网络模型的特征提取方法，该方法步骤包括：

构建正图像样本包和负图像样本包，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，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；

根据正图像样本包旋转不变性特征和负图像样本包旋转不变性特征构建双中心损失函数；

根据双中心损失函数和Softmax函数对双路多分枝网进行训练。

可选地，构建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，获取正图像样本包；

对负图像样本对根据预设角度集合进行旋转变换处理，获得负图像样本包。

可选地，根据正图像样本包旋转不变性特征和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；

对正图像样本包类内距离约束项和负图像样本包类内距离约束项进行相加，获得类内距离嵌入项；

计算正图像样本包旋转不变性特征中心和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；

对类内距离嵌入项和类间距离嵌入项进行加权，获得双中心损失函数。