基于分层选择性Adaboost-DNNs的图像分类模型建立、分类方法及系统与流程

技术特征：
1.一种基于分层选择性adaboost
‑
dnns的图像分类模型建立方法，其特征在于，包括如下步骤：步骤1：获取图像数据集，标注图像数据集中的每张图像的类别获得j个类别，将图像分为第一训练集和第二训练集，并设定第一训练集中每张图像的初始权重为其中，q为第一训练集的图像总数且q为正整数；步骤2：建立hs adaboost
‑
dnns模型，所述的hs adaboost
‑
dnns模型包括m个子网络，m为正整数，将图像数据集的j个类别作为标签集，采用第一训练集、第二训练集和标签集对hs adaboost
‑
dnns模型进行训练，至模型收敛后训练结束，将训练好的hs adaboost
‑
dnns模型作为图像识别预测模型；其中，所述hs adaboost
‑
dnns模型的训练过程包括如下子步骤：步骤2.1：采用当前第一训练集对第m个子网络采用梯度下降方法进行训练，m∈{1,2,...,m}，至第m个子网络收敛后训练结束，获得训练好的第m个子网络；对m进行判断：若m<m则执行步骤2.2，若m＝m则hs adaboost
‑
dnns模型训练结束；步骤2.2：将当前第二训练集输入训练好的第m个子网络中，输出当前第二训练集中第i张图像的预测类别其中，i∈{1,2,...,i}，i为第二训练集的图像总数；步骤2.3：根据当前第二训练集第i张图像的预测类别和第二训练集中第i张图像的类别t
i
，进行判断：若第二训练集中的图像满足则当前第二训练集中第i张图像的图像权重采用式1更新为式1更新为其中，表示当前第二训练集中第j类别中第i张图像的图像权重，j∈{1,2,...,j}，中表示更新前第二训练集中第j类别图像的类别权重，当m＝1时，为初始类别权重且初始类别权重为α
m
表示第m个子网络的子网络的权重系数；若第二训练集中的图像满足则当前第二训练集中第i张图像的图像权重采用式2更新为式2更新为步骤2.4：对当前第二训练集中更新后的图像权重按照类别分别求和，获得当前第m个子网络所有类别的类别权重；步骤2.5：令当前第一训练集中每张图像的图像权重等于当前第m个子网络中其所在类别的类别权重，并令m＝m 1返回步骤2.1。2.如权利要求1所述的基于分层选择性adaboost
‑
dnns的图像分类模型建立方法，其特征在于，m＝5且五个子网络分别是：alexnet、vgg16、inception v3、mobilenet v2和resnet
‑
50。
3.如权利要求1所述的基于分层选择性adaboost
‑
dnns的图像分类模型建立方法，其特征在于，步骤1中将第一训练集中的图像按照类别划分为多个三元组，每个三元组包括三张图像且三张图像属于两个类别。4.如权利要求3所述的基于分层选择性adaboost
‑
dnns的图像分类模型建立方法，其特征在于，步骤2在训练时，损失函数l
mcj
为式3：l
mcj
＝l
cross
γl
triplet
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式3其中，γ是超参数，l
cross
是带有类别权值交叉熵损失函数，l
triplet
是triplet loss损失函数。5.一种基于分层选择性adaboost
‑
dnns的图像分类方法，其特征在于，包括如下步骤：步骤一：获取待识别的图像；步骤二：将待识别的图像输入到如权利要求1～4中任一种基于分层选择性adaboost
‑
dnns的图像分类模型建立方法获得的图像识别预测模型中进行识别，输出图像的类别，其中，识别过程包括如下子步骤：步骤a：待识别的图像输入到第n个子网络中，获得第n个子网络的图像分类结果概率分布，n∈{1,2,...,m}；步骤b：根据第n个子网络的图像分类结果概率分布获得第n个子网络的最大分类概率；步骤c：比较第n个子网络的最大分类概率p
n
与第n个子网络的置信度阈值h
n
，若p
n
≥h
n
则执行步骤d；否则，令n＝n 1，返回到步骤a，至n＝m时执行步骤d；步骤d：获取前n个子网络的最大分类概率和前n个子网络的权重系数，输出前n个子网络最大分类概率与对应权重系数乘积最大值对应的类别。6.一种基于分层选择性adaboost
‑
dnns的图像分类系统，其特征在于，该系统包括处理器和用于存储能够在处理器上运行的多个功能模块的存储器，所述功能模块包括图像识别预测模型、输入模块和输出模块；所述的图像识别预测模型采用权利要求1～4中任一种基于分层选择性adaboost
‑
dnns的图像分类模型建立方法获得；所述的输入模块用于获取待识别的图像；所述的输出模块用于将待识别的图像输入图像识别预测模型中进行识别，输出图像的类别，其中，识别过程包括如下子步骤：步骤a：待识别的图像输入到第n个子网络中，获得第n个子网络的图像分类结果概率分布，n∈{1,2,...,m}；步骤b：根据第n个子网络的图像分类结果概率分布获得第n个子网络的最大分类概率；步骤c：比较第n个子网络的最大分类概率p
n
与第n个子网络的置信度阈值h
n
，若p
n
≥h
n
则执行步骤d；否则，令n＝n 1，返回到步骤a，至n＝m时执行步骤d；步骤d：获取前n个子网络的最大分类概率和前n个子网络的权重系数，输出前n个子网络最大分类概率与对应权重系数乘积最大值对应的类别。

技术总结
本发明属于计算机视觉技术领域，公开了一种基于分层选择性Adaboost


技术研发人员：赵玄润 章盼盼 梁伟 柏恒 张添祥 许鹏飞 聂卫科 郭军
受保护的技术使用者：西北大学
技术研发日：2021.06.29
技术公布日：2021/10/28