买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：本发明涉及一种基于破坏重建学习与GoogLeNet的Inceptionv4网络结构的细粒度图像分类方法，包括步骤：构建训练集，并对其中的图像进行预处理；对训练集中的每幅原始图像，将其划分为n*n个局部区域，再通过RCM处理得到对应原始图像的重组图像；分别构建由分类网络、判别网络以及区域对齐网络构成的重建破坏学习网络，并分别定义与分类网络、判别网络以及区域对齐网络对应的分类损失、对抗性损失以及区域对齐损失；以三个损失之和最小化为目标训练重建破坏学习网络；利用训练好的重建破坏学习网络中的分类网络对输入的图像进行分类。本发明在对细粒度图像的分类上取得了显著的效果。

主权项：1.一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法，其特征在于，包括以下步骤：构建训练集，并对其中的图像进行预处理；对训练集中的每幅原始图像，将其划分为n′*n′个局部区域，再通过RCM处理得到对应原始图像的重组图像；分别构建由分类网络、判别网络以及区域对齐网络构成的重建破坏学习网络，并分别定义与分类网络、判别网络以及区域对齐网络对应的分类损失、对抗性损失以及区域对齐损失；以三个损失之和最小化为目标训练重建破坏学习网络；利用训练好的重建破坏学习网络中的分类网络对输入的图像进行分类；所述分类网络对应的分类损失为： 式中，l∈{0,1}，当l＝1时表示分类网络预测的类别与图像的实际类别一致，当l＝0时表示分类网络预测的类别与图像的实际类别不一致；CI表示原始图像I经过分类网络的结果，CφI表示重组图像φI经过分类网络的结果，Γ表示训练集；所述判别网络对应的对抗性损失为： 其中， 式中，d∈{0,1}，当d＝1时表示图像没有被重组过，当d＝0时表示图像被重组过；θadv表示判别网络中的可学习参数，表示将图像p输入到分类网络后第m个卷积层的输出特征向量的提取特征，是分类网络的从第1层到第m层的可学习参数；所述区域对齐网络对应的区域对齐损失为： 其中， 式中，N表示区域的边界坐标值，[i，j]表示区域的位置，Mδi,jp表示将图像p输入区域对齐网络后得到的位置[i，j]的预测位置坐标，h*表示区域对齐网络，θloc表示区域对齐网络的可学习参数，表示将图像p输入到分类网络后第n个卷积层的输出特征向量的提取特征，是分类网络的从第1层到第n层的可学习参数。

全文数据：

权利要求：

百度查询： 福州大学 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法