[发明专利]基于DCL和Cascade的图像精细识别方法

权利要求书

1.基于DCL和Cascade的图像精细识别方法，其特征在于：包括以下步骤，

步骤(A)，原始图像生成后，对原始图像的数据进行初始分析，该原始图像为高清图像；

步骤(B)，基于DCL图像破坏算法，破坏初始分析后的原始图像以强调有判别性的局部区域的细节，对局部区域之间的语义相关性建模以重建图像，使网络基于判别性的局部细节对重建图像进行分类；

步骤(C)，引入噪声模式和区域重建损失模式，使重建图像解决对抗性损失和区域对齐损失，得到精细识别图像；

步骤(D)，基于神经网络通过级联学习专家的知识分类器，由弱至强以对破坏重构图像的强度进行分类，形成知识分类器；

步骤(E)，通过与知识分类器的比对，按照事先要求的正确率对步骤(C)得到的精细识别图像，进行识别和判定。

2.根据权利要求1所述的基于DCL和Cascade的图像精细识别方法，其特征在于：步骤(B)，基于DCL图像破坏算法，破坏初始分析后的原始图像以强调有判别性的局部区域的细节，对局部区域之间的语义相关性建模以重建图像，使网络基于判别性的局部细节对重建图像进行分类，包括以下步骤，

(B1)，给定原始图像I，首先将图像均匀地划分为N×N个子区域，每个子区域由R_i，j表示，其中i，j分别是水平和垂直索引，1≤i，j≤N；

(B2)，将子区域R_i，j的局部区域混合在它们的2D邻域中，对于第j行的子区域，会生成长度为N的随机向量数列q_j，其中，第i个元素q_j，i＝i+r，是服从均匀分布的随机变量，k是定义邻域范围的可调参数，1≤k＜N；

(B3)，通过对随机向量数列q_j重新排序得到第j行区域的新排列这样就把原始图像中的区域坐标由(i，j)转换到了σ(i，j)，以重建图像。

3.根据权利要求1所述的基于DCL和Cascade的图像精细识别方法，其特征在于：步骤(C)，引入噪声模式和区域重建损失模式，使重建图像解决对抗性损失和区域对齐损失，得到精细识别图像，包括以下步骤，

(C1)，引入噪声模式，使重建图像解决对抗性损失

原始图像I，使用表示第m层的第k个特征图，对主干分类网络ResNet-50的特征可视化，包含使用和不使用对抗性损失两种情况，取最后一个全连接层前面的层的输出特征来进行对抗性学习，第m个卷积层的第k个卷积核对应真实类别c的响应为，

其中，是第k个特征图和对应的类别c之间的权重，即响应r^k(I，c)等于第k个卷积核对应的特征图乘以全连接层对应c的权重，以此来衡量卷积核是否能把输入图像映射到c，响应越大表明映射的可信度越高。