CN115346071B 高置信局部特征与全局特征学习的图片分类方法及系统 （南京理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115346071B(45)授权公告日2025.07.04

(21)申请号202211002091.3

(22)申请日2022.08.20

(65)同一申请的已公布的文献号申请公布号CN115346071A

(43)申请公布日2022.11.15

(73)专利权人南京理工大学

地址210094江苏省南京市孝陵卫200号

(72)发明人肖亮黄姮祎

(74)专利代理机构南京理工大学专利中心

32203

专利代理师陈鹏

(51)Int.CI.

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6V10/52(2022.01)

GO6V10/44(2022.01)

GO6V10/42(2022.01)

GO6V10/25(2022.01)

GO6V10/20(2022.01)

GO6N3/08(2023.01)

GO6N3/0464(2023.01)

(56)对比文件

CN109816012A,2019.05.28

CN111310760A,2020.06.19审查员孟炫宇

权利要求书3页说明书9页附图4页

(54)发明名称

高置信局部特征与全局特征学习的图片分类方法及系统

(57)摘要

CN115346071B本发明公开了一种高置信局部特征与全局特征学习的图片分类方法及系统，方法包括：采用深度分离卷积层的堆叠形式，嵌套下采样层，进行特征提取；提取多尺度特征，构成特征张量；采用不同步长的滑动窗口和非最大抑制方法去除冗余区域，生成候选局部感兴趣区域；计算局部感兴趣候选区域属于类属标签的概率作为置信值，依据置信值构造排序一致性损失函数训练网络，并进行候选局部感兴趣区域排序，判别高置信感兴趣区域；将高置信局部感兴趣区域特征与全局特征聚合，得到特征拼接张量；根据聚合的特征，进行最终图片分类。本发明能够有效处

CN115346071B

CN115346071B权利要求书1/3页

2

1.一种高置信局部特征与全局特征学习的图片分类方法，其特征在于，包括以下步骤：

第一步，采用数据预处理和深度分离卷积模块构成的深度网络，提取图像特征；

第二步，将第一步深度分离卷积特征学习模块提取的特征作为输入，利用深度卷积操作构建三层金字塔结构，提取多尺度的深层特征；

第三步，在多尺度的深层特征上，根据不同的尺度，采用不同步长的滑动窗口，并对多尺度特征区域采取非极大值抑制减少区域冗余，生成一个表示多尺度特征区域列表，提取指定数量的候选局部感兴趣区域作为高置信局部感兴趣判别与特征学习模块的输入；

第四步，将局部感兴趣区域特征的尺寸规范到同一标准，再通过深度分离卷积特征学习模块，计算每个区域为类属标签的概率作为置信值，输出置信值列表；依据该置信值，采取排序一致性损失函数调整网络训练，对候选局部感兴趣特征区域列表重新排序，使其与置信值列表排序一致，提取前M个高置信局部感兴趣区域；

第五步，将提取的M个高置信局部感兴趣区域，通过池化操作调整成与上下文特征一致尺寸的张量，并与上下文特征相拼接，进行特征聚合；

第六步，将高置信局部感兴趣特征与全局上下文特征聚合后的特征，连结全连接层及Softmax分类器进行最终分类。

2.根据权利要求1所述的高置信局部特征与全局特征学习的图片分类方法，其特征在于，第一步，采用数据预处理和深度分离卷积模块构成的深度网络，提取图像特征，包含深度分离卷积、下采样和激活函数等特征提取操作，具体过程为：

(1)首先对图像H×W×N进行最初的预处理操作，其中H代表图片高度，W代表图片宽度，N代表图片的通道数；通过卷积核大小为4*4,卷积个数为C,步长为4的卷积层，并进行层归一化，实现4倍下采样操作，图像调整为H/4×W/4×C,其中C为特征维度；

(2)一个深度分离卷积块的组成如下：

首先是卷积核大小为7*7,步长为1,填充为3的深度可分离卷积层，并进行层归一化；然后是卷积核为1*1的卷积层，并连接高斯误差线性单元激活函数实现升维；再经过卷积核为1*1的卷积层，并连接通道缩放以及随机通道丢失恢复初始维度，与初始特征张量相加，作为最终输出；

(3)下采样层的组成如下：

首先通过层归一化