[发明专利]基于持续学习的图像分类方法以及装置

权利要求书

1.基于持续学习的图像分类方法，其特征在于，包括下述步骤：

获取待分类的目标图像，所述待分类的目标图像包括一部分存储的旧类数据图像和新增类别的图像；

将待分类的目标图像输入到预先构建的图像分类模型并得到分类特征向量；所述的图像分类模型是通过图像增广技术CutMix解决图像不均衡的问题，依靠自适应集成的知识蒸馏模块缓解旧知识的遗忘，并通过不确定性的估计对模型进行正则化进行可塑性与稳定性的权衡而得到的神经网络模型；

根据分类器和所述分类特征向量，对图像样本进行训练，得到目标图像的分类结果；

根据训练所得到的相关参数，对所述图像样本进行删除和保留。

2.根据权利要求1所述基于持续学习的图像分类方法，其特征在于，所述图像分类模型的构建如下：

获取待分类的目标图像样本和上一阶段的旧图像分类模型；所述旧图像分类模型是基于目标图像样本中旧类图像训练得到的神经网络模型；

将所述样本图像首先通过数据增广CutMix技术生成混合样本得到新旧类均衡的目标图像；

将所述新旧类均衡的目标图像输入所述旧图像分类模型，得到第一样本特征向量及其所述的第一分类概率；将所述均衡目标图像输入本阶段新图像分类模型，得到第二样本特征向量及其所属的第二分类概率；所述本阶段新图像分类模型为有所述上一阶段旧图像分类模型初始化得到的神经网络模型；

根据所述第一样本特征向量及其所属的第一分类概率、所述第二样本特征向量及其所属的第二分类概率、以及预设的判别器，利用自适应集成的知识蒸馏的方式，对所述本阶段新图像分类模型进行训练，并通过不确定性评估进行正则化，得到本阶段新图像分类模型。

3.根据权利要求2所述基于持续学习的图像分类方法，其特征在于，将所述样本图像首先通过数据增广CutMix技术生成混合样本得到新旧类均衡的目标图像，包括：

应用修改后的CutMix策略来特别增加所述已经训练过的旧类图像样本；具体来说，每次从存储的旧类数据中随机选择一个样本(x₁,y₁)，从新类数据中随机选择另一个样本(x₂,y₂)，然后生成混合样本：

其中m是一个二进制({0,1})掩码，其中0表示随机选择的边界框区域，该区域与表示x₁中随机选择的边界框区域的图像具有相同的纵横比，并表示像素级乘法；λ最初表示掩码中为1的区域的面积比例，根据remix策略对其进行修改，即当原始λ大于预先定义的阈值τ时,λ重置为1.0。

4.根据权利要求2所述基于持续学习的图像分类方法，其特征在于，将所述新旧类均衡的目标图像输入所述旧图像分类模型，得到第一样本特征向量及其所述的第一分类概率；将所述均衡目标图像输入本阶段新图像分类模型，得到第二样本特征向量及其所属的第二分类概率；所述本阶段新图像分类模型为有所述上一阶段旧图像分类模型初始化得到的神经网络模型，包括：

计算不同层次的所述第一样本特征图通过自适应集成与每一个层次的所述第二样本特征图之间的均方差损失，作为第一目标函数；第一目标函数用于提升所述旧图像分类模型与所述新图像分类模型输出结果之间的相似度；

计算所述第一样本特征向量与所述第二样本特征向量之间的余弦相似度，作为第二目标函数；第二目标函数用于提升所述旧图像分类模型与所述新图像分类模型输出结果之间的相似度；

计算所述第二分类概率与所述均衡目标图像对应的真实分类结果之间的不确定性正则化交叉熵损失，作为第三目标函数；第三目标函数用于在提升其输出结果与所述样本图像对应真实分类结果的相似度的同时，权衡所述新图像分类模型的稳定性与可塑性，既保证其在所述旧类目标图像的效果，又提升其在所述新类目标图像上的训练效果；

根据所述的第一目标函数、第二目标函数以及第三目标函数对所述的新图像分类模型进行训练，得到最终的基于持续学习的图像分类模型。