[发明专利]一种细粒度识别中判别性图块学习的改进方法

权利要求书

1.一种细粒度识别中判别性图块学习的改进方法，其特征在于，包括如下步骤：

1)提取原始图像中具有判别性质的图块，包括：

(1)原始图像通过卷积神经网络中的卷积池化层获得一张C×H×W大小的特征图，其中，C为管道数，H为高度，W为宽度；

(2)假设已经学习到在原始图像中一个判别性区域具有最高响应的检测器，将C×1×1大小的检测器与C×H×W大小的特征图进行卷积运算，得到新的H×W大小的响应图；所述的学习到在原始图像中一个判别性区域具有最高响应的检测器的步骤是：

(2.1)假设每类图像的判别性图块检测器个数设为n，图像共有M类，所需的检测器的数量就是nM个；

(2.2)将nM个C×1×1检测器与C×H×W大小的特征图分别进行卷积运算，得到新的特征图，对新的特征图进行全局最大值池化，得到一个nM维的特征向量；

(2.3)对nM维的特征向量中每一类特征向量求平均值，得到一个M维的向量；

(2.4)将M维的向量传入Softmax损失函数，运用反向传播算法对C×1×1检测器进行训练，训练完成后，得到在原始图像中一个判别性区域具有最高响应的检测器；

(3)在新的H×W大小的响应图中挑选具有最大值的位置，得到1×1大小的具有判别性质的图块；

2)学习具有判别性质的图块的特征并用于分类，包括：

(1)根据具有判别性质的图块获取局部显著图；所述的获取局部显著图是：根据从原始图像中得到的显著图S计算局部显著图Q，表示如下：

其中，p是判别性图块的像素，m表示第m个检测位置，m＝1,…,Α，当第m个检测位置包含像素p，那么D_m(p)＝1，否则D_m(p)＝0，S(p)是整张图像的显著图，Q(p)是局部显著图，Z是一个归一化的常量使得maxQ(p)＝1；

(2)使用空间加权费舍尔向量对局部显著图进行编码；包括：

假设向量I＝(z₁,…,z_N)是从图像提取的一系列D维特征向量，一张图片I的费舍尔向量编码φ(I)＝(u₁,v₁,…,u_k,v_k)是均方差u_k和协方差v_k的堆积，u_k，v_k被写为如下形式：

其中，j＝1,...,D代表了向量维度，定义o＝(μ_k,σ_k,π_k:k＝1,…,K)是高斯混合模型的参数，q_ik是混合模型中模式k的每一个向量z_i的后验概率，其中，i＝1,…,N；

为每一个向量z_i引入了空间加权项Q(p_i)，u_jk和v_jk加权后的结果表示为：

其中，Q(p_i)是局部显著图，u_ijk、v_ijk分别是公式(2)(3)，通过引入空间权重，就可以学习到重要的特征。