[发明专利]一种基于深度学习的属性分类识别方法

权利要求书

1.一种基于深度学习的属性分类识别方法，其特征在于，包括：

(1)卷积神经网络对输入的图像数据进行处理分别得到第一特征向量与n个第二特征向量，其中，所述第一特征向量为n*1维的向量，每一维表示属性为正样本的概率，所述第二特征向量为2*1维的向量，表示属性为正/负样本的概率，n为属性类别的数量；

(2)将所述n个第二特征向量进行融合得到第三特征向量，其中，所述第三特征向量为n*1维的向量，每一维表示属性为正样本的概率；

(3)将所述第一特征向量与所述第三特征向量进行融合得到目标特征向量，其中，所述目标特征向量为n*1维的向量，每一维融合了所述第一特征向量相应维的属性与所述第三特征向量相应维的属性之间的关系；

(4)将所述目标特征向量输入损失函数进行迭代训练，直至所述损失函数收敛，输出属性分类识别结果。

2.根据权利要求1所述的方法，其特征在于，步骤(2)具体包括以下子步骤：

(2.1)将每个所述第二特征向量均扩展为n*1维向量，其中，在每个扩展后的n*1维向量中，仅保留所述第二特征向量对应属性为正样本的概率，其余元素均设置为0；

(2.2)将n个n*1维向量相加，得到扩展之后的第三特征向量。

3.根据权利要求1或2所述的方法，其特征在于，步骤(3)具体包括：

由融合函数：C＝(1-α)A+αB将所述第一特征向量与所述第三特征向量进行融合得到目标特征向量，其中，α是融合函数中的权值参数，A为所述第三特征向量，B为所述第一特征向量。

4.根据权利要求1所述的方法，其特征在于，在步骤(4)中的损失函数为：其中，表示第i张图像中第l种属性输出的概率，y_il表示第i张图像中第l种属性的真实标签，N表示图片数量。

5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括5个卷积层以及3个全连接层，在所述卷积神经网络的每一层之后，均添加一个ReLu层，在第一个ReLu层之后，添加一个最大池化层，在第二个ReLu层之后，添加一个局部标准化层，在第5个ReLu层之后，添加一个最大池化层。