[发明专利]一种联合热图特征回归的基于CNN特征提取网络的联合图像分类方法

权利要求书

1.一种联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，包括以下步骤：

S1、获取待分类的真假图像，并进行图像预处理；

S2、构建具有热图特征分布的基于CNN的特征提取分类网络模型，利用步骤S1中预处理后的训练集图像对模型进行训练，得到第一预测结果；

S3、构建特征热图回归网络模型，利用步骤S1中预处理后的训练集图像及步骤S2得到的特征图像对模型进行训练，得到第二预测结果；

S4、构建联合回归网络模型，将步骤S2得到的第一预测结果与步骤S3得到的第二预测结果进行拼接，并经过联合回归网络模型计算最终预测概率；

S5、采用二分类交叉熵损失函数对步骤S4得到的最终预测概率与真实标签之间进行距离衡量，输出分类结果。

2.如权利要求1所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述步骤S2具体为：

利用步骤S1中预处理后的训练集图像对构建的具有热图特征分布的基于CNN的特征提取分类网络模型进行训练，学习真假图像之间的图像特征信息，将输入的图像转换为特征图像输出至特征热图回归网络，同时将特征图像经过具有热图特征的分类网络的第一全连接层和第二全连接层后，再经过softmax层输出得到第一预测结果。

3.如权利要求2所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述具有热图特征分布的基于CNN的特征提取分类网络模型在输入图像信息后设置有ReSize层，所述ReSize层用于将图片缩放为适用于后期映射神经元特征值的尺寸。

4.如权利要求3所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述具有热图特征分布的基于CNN的特征提取分类网络模型中前三组卷积层、Rule层、批标准化层和最大池化层替换为两组Inception层，其中每组Inception层包括七个并行的卷积层与一个批标准化层。

5.如权利要求4所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述具有热图特征分布的基于CNN的特征提取分类网络模型中在Rule层后加入LeakyRule激活函数，并去除第二全连接层前的dropout层。

6.如权利要求5所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述特征热图回归网络模型包括具有热图特征分布的基于CNN的特征提取分类网络模型中的特征提取部分、人脸识别定位库和线性回归层模块。

7.如权利要求6所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述步骤S3具体为：

首先利用具有热图特征分布的基于CNN的特征提取分类网络模型中的特征提取部分提取神经元特征值，再利用人脸识别定位库对步骤S1中预处理后的训练集图像进行人脸定位，得到眼口部的神经元特征值，将其与提取的神经元特征值做缩放与映射，得到眼口部各坐标点特征值并取出最大值以计算在各自特征值中的相对大小，并经过线性回归层模块输出得到第二预测结果。

8.如权利要求7所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法，其特征在于，所述步骤S4具体为：

将具有热图特征分布的基于CNN的特征提取分类网络模型输出的第一预测结果与特征热图回归网络模型输出的第二预测结果进行拼接，再经过第二线性回归层得到图像的真假图得分，并经过softmax层输出得到最终预测概率。

9.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行如权利要求1至8任一所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法的步骤。

10.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行如权利要求1至8任一所述的联合热图特征回归的基于CNN特征提取网络的联合图像分类方法的步骤。