[发明专利]基于图网络的多粒度特征学习的图像精细分类方法及系统

权利要求书

1.一种基于图网络的多粒度特征学习的图像精细分类方法，其特征在于，该图像精细分类方法包括：

步骤S10，以代表获取的待分类图像从高到低排列的个粒度层级，构建待分类图像的多粒度层级关系图：

其中，是由个粒度层级组成的点的集合，表示粒度层级的节点；是中任意两个粒度层级节点组成的边的集合，表示粒度层级节点和之间的无向边；

步骤S20，通过训练好的多粒度层级特征提取网络提取所述多粒度层级关系图中每一个粒度层级的特征，获得多粒度层级特征集；

步骤S30，进行所述多粒度层级特征集中各粒度层级特征的层级关系嵌入，获得多粒度层级关联状态特征集；

步骤S40，对于所述多粒度层级关联状态特征集中每一个粒度层级关联状态特征，通过分类器获取各粒度层级图像的预测类别；

其中，所述多粒度层级特征提取网络基于Lip-ResNet50构建，包括主干网络和各粒度层级的分支网络，以交叉熵函数作为所述多粒度层级特征提取网络训练的损失函数。

2.根据权利要求1所述的基于图网络的多粒度特征学习的图像精细分类方法，其特征在于，步骤S30包括：

步骤S31，以代表待分类图像从高到低排列的个粒度层级对应的特征；对于粒度层级节点，其初始状态特征；

步骤S32，在时刻，从的邻居节点聚集信息；为预先设定的多粒度特征学习周期；

步骤S33，基于时刻的聚集信息以及时刻的状态特征，获取时刻节点的状态特征；

步骤S34，令，迭代进行步骤S32和步骤S33，获得时刻各粒度层级节点的状态特征，构成多粒度层级关联状态特征集。

3.根据权利要求2所述的基于图网络的多粒度特征学习的图像精细分类方法，其特征在于，步骤S32中“从的邻居节点聚集信息”，其方法为：

其中，为粒度层级节点的领域，为时刻可学习的线性变换矩阵，是的邻居节点在时刻的状态特征。

4.根据权利要求2所述的基于图网络的多粒度特征学习的图像精细分类方法，其特征在于，步骤S33中“基于时刻的聚集信息以及时刻的状态特征，获取时刻节点的状态特征”，其方法为：

其中，、、、、和是可学习参数，代表sigmoid函数，代表按元素相乘， 代表双曲正切函数。

5.根据权利要求1所述的基于图网络的多粒度特征学习的图像精细分类方法，其特征在于，所述分类器为Softmax分类器。

6.根据权利要求1所述的基于图网络的多粒度特征学习的图像精细分类方法，其特征在于，所述多粒度层级特征提取网络，其粒度层级为三层时，主干网络由conv_1, conv_2x，conv_3x组成，科层级分支网络由conv_4x构成，属层级分支网络和种层级分支网络均由conv_4x，conv_5x构成。

7.一种基于图网络的多粒度特征学习的图像精细分类系统，其特征在于，该图像精细分类系统包括多粒度层级关系图构建模块、特征提取模块、特征学习模块和分类模块；

所述多粒度层级关系图构建模块，配置为以代表获取的待分类图像从高到低排列的个粒度层级，构建待分类图像的多粒度层级关系图：

其中，是由个粒度层级组成的点的集合，表示粒度层级的节点；是中任意两个粒度层级节点组成的边的集合，表示粒度层级节点和之间的无向边；

所述特征提取模块，配置为通过训练好的多粒度层级特征提取网络提取所述多粒度层级关系图中每一个粒度层级的特征，获得多粒度层级特征集；

所述特征学习模块，配置为进行所述多粒度层级特征集中各粒度层级特征的层级关系嵌入，获得多粒度层级关联状态特征集；

所述分类模块，配置为对于所述多粒度层级关联状态特征集中每一个粒度层级关联状态特征，通过分类器获取各粒度层级图像的预测类别；

其中，所述多粒度层级特征提取网络基于Lip-ResNet50构建，包括主干网络和各粒度层级的分支网络，以交叉熵函数作为所述多粒度层级特征提取网络训练的损失函数。