一种基于特征缩放和边界样本的不平衡图像分类系统的制作方法

技术特征：
1.一种基于特征缩放和边界样本的不平衡图像分类系统，其特征在于，该方法包括以下步骤：1) 将原始样本数据划分为训练集和测试集两部分，并将训练集构造为不平衡数据；2) 特征缩放模块，根据每个类的特征所构成的超球半径对特征进行按比例缩放，从而增强模型对少数类样本的训练与学习；3) 基于gabriel图的边界样本挖掘模块，根据gabriel图的定义在样本特征的基础上构建gabriel图，并且发掘边界样本特征，在所发掘的特征的基础上对类内类间距离进行约束；4) 通过损失调度器，控制上述两个模块的训练过程，使训练前期关注表征你能力的训练，后期关注类别的判别；5) 测试步骤中，将原始测试图片输入到训练好的卷积神经网络中，通过网络提取特征，然后通过全连接层对图片进行判断。2.根据权利要求1所述的基于特征缩放和gabriel图边界样本挖掘的不平衡学习方法，其特征在于：步骤2)中的特征缩放模块，根据一个批次中的每个类中所包含的样本特征计算每个类的中心，在求得每个类在当前批次的中心后通过指数移动平均计算类中心，该过程可以被定义为，其中为中心，为中心更新的系数，为之前批次计算得到的中心，为当前批次每个类的中心；计算得到每个类的中心后，需要计算每个类的半径，将类的中心向量和所有同类样本的特征向量求欧式距离，取最大值作为当前类的半径；最后，利用每一类的半径和拥有最多样本数的类的半径求比值，根据半径的比值，对不同类别的特征进行缩放，缩放系数可以定义为，其中为温度系数，控制半径比值对原始特征的影响；为第j类的半径，为包含最多样本数的类的半径；得到缩放系数之后，对卷积神经网络提取的特征进行缩放，最后经过softmax函数归一化得到预测结果。3.根据权利要求1所述的基于特征缩放和gabriel图边界样本挖掘的不平衡学习方法，其特征在于：步骤3)中的基于gabriel图的边界样本挖掘模块，gabriel图的定义如下，若满足上式则特征和特征之间可以构成边，其中表示欧式距离，表示出了和之外的所有其他特征向量；在卷积神经网络提取特征之后，利用gabriel图的定义在特征上构建gabriel图，并且
保留端点是异类的边，而这些样本我们将其定义为每个类别的边界样本；在这些边界样本的基础上，我们利用损失函数使得边界样本本身更加靠近类中心，而异类边界样本之间更加远离，从而使得类内更加紧凑，而类间更加分散，达到增强模型表征能力的目的，具体损失函数定义如下，其中s为gabriel图边的集合，为系数，对应的全连接层的权重，为阈值用于控制类内类间距离的差值，为用于平衡不平衡性的权重，由于类别的样本数存在不平衡性，因此在挖掘得到的边界样本中，多数类的样本较多，从而导致在计算类内类间距离值时多数类的距离值更多，使得少数类的结果几乎被忽略；通过加权增强少数类距离在损失函数中的作用，其中表示包含最多样本数的类别的样本数，表示每一类的样本数。4.根据权利要求1所述的基于特征缩放和gabriel图边界样本挖掘的不平衡学习方法，其特征在于： 步骤4)中的损失调度器，用于控制两个模块的训练过程，使训练前期关注表征能力的训练，即更加关注的变化，后期更加关注判别能力的训练，即更加关注交叉熵损失函数的变化，通过损失调度器控制步骤2)中的温度系数；系数和控制训练过程，定义如下，其中和为超参数，为[0,1]之间的小数，其中用于控制不同轮次时系数的影响力，用于控制当训练到后期是仍然保持之前训练得到的表征能力，防止后续的训练破坏之前训练轮次模型学习到的表征能力，epoch为训练轮次，epochs为总轮次；因此总的损失函数可以被定义如下，其中表示交叉熵损失函数。

技术总结
本发明公开了一种基于特征缩放和边界样本的不平衡图像分类系统。所述图像分类系统包括：1）将原始样本数据划分为训练集和测试集，并将训练集构造为不平衡数据；2）对每个类实施特征缩放模块进行特征缩放；3）对每个类实施边界样本挖掘模块，进行边界样本挖掘，约束类内类间距离；4）通过损失调度器调控上述两个模块的训练过程；5）将原始测试图片输入到训练好的卷积神经网络中，然后通过全连接层对图片进行判断。本发明从模型结构上调整，增强了深度学习模型在不平衡图像数据上的分类性能和鲁棒性。性。性。


技术研发人员：王喆 李冬冬 董奇达 杨孟平 杜文莉 杨海
受保护的技术使用者：华东理工大学
技术研发日：2021.12.01
技术公布日：2022/3/8