[发明专利]一种特征内增强的弱监督学习方法

说明书

本发明属于计算机图像识别技术领域，尤其涉及一种特征内增强的弱监督学习方法，利用浅层卷积神经网络提取输入图像的浅层特征，获得高分辨率的纹理特征图；对纹理特征图进行特征内增强处理，获得增强后的纹理特征图；利用深层卷积神经网络提取纹理特征图的深层特征，用于计算损失函数。本发明采用特征内增强结构，通过在神经网络中对图像学习获得的特征图进行筛选目标区域特征，并在该特征中对目标区域特征增强，实现了单轮迭代训练的弱监督学习数据增强以提升模型的识别能力，大幅度缩短了模型训练耗时。

技术领域

本发明属于计算机图像识别技术领域，尤其涉及一种特征内增强的弱监督学习方法。

背景技术

随着图像识别技术的发展，如何使用少量样本训练出准确率高、泛化性强的模型，一直是业界研究的方向之一，其中又以数据增强方法简单高效，通过对图像进行缩放、替换等变换组合达到数据增广的目的。

常用的数据增强方法都是随机的选择需要应用变换的区域，这种方式结构灵活、易于实现，但是随机过程中会引入图像中的背景噪声；后来逐渐引入弱监督学习的方式，在训练过程中通过注意力机制对没有精细标注的图像目标区域进行筛选，对筛选后的图像区域再进行增强操作。

公开号CN111680701A的专利“图像识别模型的训练方法、装置及图像识别方法、装置”提出了一种采用弱监督学习方式进行区域替换的数据增强方法，其通过神经网络学习的特征图筛选目标区域，并映射至原始图像，对原始图像组进行区域混合叠加，再进行二次学习实现模型识别能力的增强。

上述专利的技术方案虽然引入弱监督学习的方式，使模型训练过程中，重点学习目标区域的特征，但是其提出的区域混合叠加方式针对原始图像进行二次学习，相当于一轮迭代中，实际对数据进行了两轮训练，训练时间长。

发明内容

本发明提供了一种特征内增强的弱监督学习方法，拟解决背景技术中提到的区域混合叠加方式针对原始图像进行二次学习，需要进行两轮训练，导致训练时间长的问题。

一种特征内增强的弱监督学习方法，包括以下步骤：

步骤1：利用浅层卷积神经网络提取输入图像的浅层特征，获得高分辨率的纹理特征图；

步骤2：对纹理特征图进行特征内增强处理，获得增强后的纹理特征图；

步骤3：利用深层卷积神经网络提取纹理特征图的深层特征，用于计算损失函数。

优选的，所述步骤1包括：

步骤1.1：通过1倍卷积核提取输入图像宽高尺寸缩放0.5倍的初始特征图；

步骤1.2：利用1倍卷积组对初始特征图提取宽高尺寸不变的浅层特征、利用2倍卷积组对初始特征图提取宽高缩放0.5倍的浅层特征，对上述两个浅层特征在通道维度组合，获得纹理特征图。

优选的，所述步骤2包括：

步骤2.1：对纹理特征图的每个通道特征图分别进行归一化处理，获得归一化特征图；

步骤2.2：选取阈值，对归一化特征图筛选显著特征图，高于阈值的为有效特征区域，低于阈值的为无效特征区域；

步骤2.3：以显著特征图的特征峰点为中心，以特征峰点最近的特征低点为边界，确定增强特征范围，将增强特征范围复制到无效特征区域，得到增强后的纹理特征图。

优选的，所述步骤3包括：

步骤3.1：分别利用1倍卷积组、2倍卷积组、4倍卷积组和8倍卷积组提取步骤2.3中增强后的纹理特征图的深层特征；

利用1倍卷积组对增强后的纹理特征图提取高宽尺寸不变的深层特征；

利用2倍卷积组对增强后的纹理特征图提取高宽尺寸缩放0.5倍的深层特征；