[发明专利]一种针对复杂场景的自学习大规模警员图像分类模型

权利要求书

1.一种针对复杂场景的自学习大规模警员图像分类模型，其特征在于：首先利用权威分类指标体系对原始警员图像数据集的数据进行人工筛选，获取标注数据集；其次，通过主体区域检测注意力模型去除图像中的噪声数据，生成图像分类数据集；然后利用迁移学习图像分类模型，结合基于DenseNet的图像分类算法，在图像分类数据集上进行训练，获取警员图像分类算法模型；最后将警员图像分类算法模型运用到原始警员图像数据集中进行自动分类，并不断迭代上述流程，获取自学习大规模警员图像分类模型；

包括以下步骤：

①人工筛选数据集：从原始警员图像数据集中，利用权威分类指标体系，人工筛选数据，获取标注数据集；

②主体区域检测：对标注数据集采用主体区域检测注意力模型进行主体区域检测，获取警员图像中的主体内容，再去除图像中的噪声，获取图像分类数据集；

③基于DenseNet的警员图像分类算法：利用迁移学习图像分类模型，在原始警员图像数据集上进行预训练得到图像分类模型；结合DenseNet图像分类算法和图像分类模型，在图像分类数据集上进行再训练，获取警员图像分类算法模型；

④自学习大规模警员图像分类模型：利用步骤③中的警员图像分类算法模型，对原始警员图像数据集中的数据进行自动分类，获取预警员图像分类算法模型，再运用获取的图像分类数据集，进一步训练预警员图像分类算法模型，然后不断进行迭代训练，直至原始警员图像数据集中的所有数据训练完成，得到自学习大规模警员图像分类模型；

所述步骤④中，每次自学习训练过程只采用原始警员图像数据集中的部分数据，第一次训练过后，每次在之前得到的警员图像分类算法模型上再进行训练，不断迭代；

所述步骤②分为以下步骤：

（2.1）将输入的警员图像缩放为（256,256,3）的尺寸大小，并进行图像预处理；

（2.2）将图像预处理后的警员图像输入预训练的VGG net网络模型进行特征提取，获取输入图像的低层特征与高层特征；

（2.3）对（2.2）中获取到的低层特征与高层特征，通过上下文感知的特征金字塔提取模块以及注意力机制进行特征融合，获得完整的上下文特征，上下文特征为融合特征；

（2.4）将融合特征进行单通道卷积，并在最后使用任意一种边缘损失函数来指导模型在主体区域提取中学习完整的信息，对图像中的警员主体区域进行分割输出，获取图像分类数据集；

所述步骤③分为以下步骤：

（3.1）在原始警员图像数据集上利用DenseNet121模型进行预训练，得到图像分类模型；

（3.2）提取图像分类模型的网络参数作为基于DenseNet的警员图像分类算法的模型参数，并将警员图像缩放为（224,224,3）的尺寸大小输入到DenseNet的警员图像分类算法的DenseNet模型中；

（3.3）DenseNet模型的网络采用密集连接方式，对输入图像进行逐层特征提取，并通过特征并联来实现短路连接，利用特征重用、图像的高层特征与底层特征，进行不断迭代训练以及相应的模型推理，获取警员图像分类算法模型；

所述步骤④分为以下步骤：

（4.1）采用步骤③中得到的警员图像分类算法模型对原始警员图像数据集中的数据进行分类；

（4.2）对分类后的警员图像数据进行主体区域检测，并提取出主体区域图像，形成图像分类数据集；

（4.3）在步骤③得到的警员图像分类算法模型基础上，应用步骤（4.2）中的图像分类数据集进行再次训练，获取新一轮迭代训练的警员图像分类算法模型；

（4.4）循环进行步骤（4.1）~（4.3）中的操作，直到原始警员图像数据集训练完成，获取自学习大规模警员图像分类模型。

2.如权利要求1所述的针对复杂场景的自学习大规模警员图像分类模型，其特征在于：所述步骤②中，主体区域检测采用VGG net模型提取图像特征，并采用特征金字塔注意力模型进行图像语义分割，识别图像中的主体区域，提取主体区域形成精确警员图像，去除原始图像中的噪声。