[发明专利]基于DCL和Cascade的图像精细识别方法

说明书

本发明公开了一种基于DCL和Cascade的图像精细识别方法，遵照DCL（Destruction and Construction Learning）理念对原始图像输入按块进行打乱，进而破坏原始图像中的结构信息，然后再通过Cascade（级联）级联分类器训练神经网络识别被破坏”局部区域顺序的图像，强迫神经网络抓住重点视觉区域，通过级联弱分类器及强分类器提高图像识别精细度和识别效率，细至纹理信息，方法独特，增强了神经网络对具有区分度局部细节的特征学习能力，高于人脸识别能力，在物联网和人工智能精细识别领域，具有良好的应用前景。

技术领域

本发明涉及人工智能图像识别技术领域，具体涉及一种基于 DCL和Cascade的图像精细识别方法。

背景技术

随着科学技术的快速进步，在过去十年，通用目标识别借助大规模标注数据和复杂的模型设计取得了稳步进展。然而，识别精细物体类别(例如，鸟类、蝴蝶、汽车模型、SKU级商品)仍然是一项具有挑战性的任务。差异细微的物体在视觉上往往类似粗略一瞥，但它们可以通过有区别的局部区域细节来正确识别，所以从有区别的目标局部学习判别特征表示在精细图像识别中起关键作用。现有的精细识别方法可以大致分为两类，具体如下：

(1)一种是首先定位有判别性的目标局部区域，然后根据这些判别区域进行分类，这种两步法需要在目标或目标局部上添加额外的边界框标注，这些标注的成本往往都很高；

(2)另一种是试图以无监督的方式通过注意力机制自动定位判别区域，因此不需要额外的注释。然而，这些方法通常需要额外的网络结构(例如，注意力机制)，因此为训练和预测阶段引入了额外的计算开销。

因此，如何克服上述问题，提高精细识别方法的精确度，并降低计算开销，保证效率，是当前继续解决的。

发明内容

本发明的目的是克服现有的精细识别方法所存在的成本高，以及训练和预测阶段引入了额外计算开销的问题。本发明的基于DCL 和Cascade(级联)的图像精细识别方法，通过引入DCL (Destruction and Construction Learning，理念对原始图像输入按块进行打乱，进而″破坏″图像中的结构信息)分支来自动学习判别区域，首先破坏输入图像以强调有判别性的局部细节，然后对局部区域之间的语义相关性建模以重建图像；一方面，DCL自动定位判别区域，因此在训练时不需要额外的标注；另一方面，DCL结构仅在训练阶段采用，因此，在预测时不引入计算开销，被打乱后的图像，就会忽略对精细识别不重要的无关区域，并将迫使网络基于判别性的局部细节对图像进行分类，尽管识别变得更加困难，但专家仍然可以轻松发现差异，神经网络通过级联学习专家的知识分类器(由弱至强)以对破坏的图像进行分类识别，为了防止网络学习破坏全局结构引入的噪声模式，使用对抗性损失来抑制引入的噪声模式，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种基于DCL和Cascade的图像精细识别方法，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。