[发明专利]基于双头深度学习的类别不平衡图像分类方法及装置

权利要求书

1.基于双头深度学习的类别不平衡图像分类方法，其特征在于，包括下述步骤：

获取目标图像并进行多类中心划分，得到新标签；

构建双头图像分类模型；所述双头图像分类模型包括特征提取器和分类器；

将获得新标签的目标图像输入所述特征提取器得到通道特征向量，和目标图像原始标签的通道进行计算，得到正则化损失；

将获得新标签的目标图像输入所述特征提取器得到分类特征向量，并输入分类器中，得到分类概率；结合分类特征向量、分类概率及新标签进行计算，得到分类损失；

将正则化损失和分类损失结合作为所述双头图像分类模型的总损失函数进行训练，获得目标图像的分类结果。

2.根据权利要求1所述的基于双头深度学习的类别不平衡图像分类方法，其特征在于，所述进行多类中心划分，得到新标签，具体为：

对于目标图像的原始类别，将原始类别中的图像数量按照降序重新排序；

设n_j表示重新排序后的第j类的图像数量，图像数量最多的类别被划分为u个簇，图像数量最少的类别被划分为单个簇，则第j个类根据图像数量的线性关系划分为u_j个簇，计算公式为：

其中，n_C表示重新排序后最大类的图像数量，n₁表示重新排序后的最小类的图像数量，表示向下取整；

根据重新排序后计算得到的簇数量，目标图像共获得个簇；

将每个簇作为一个新的类别，对K个新类别进行分类，得到新标签。

3.根据权利要求2所述的基于双头深度学习的类别不平衡图像分类方法，其特征在于，所述对K个新类别进行分类，得到新标签，具体为：

对属于同一原始类别且属于不同新类别的训练图像设计软标签；

设一目标图像属于原始类别第i个类且属于第u_j个新类别之一；

在K个新类别中，将该目标图像属于第k个新类别的概率设为a，则该目标图像属于原始类别且属于不同新类别的概率为：

其中，u_j＞1；属于不同原始类的概率设为0；

获得每个新类别的软标签作为新标签。

4.根据权利要求3所述的基于双头深度学习的类别不平衡图像分类方法，其特征在于，所述得到通道特征向量，具体为：

对于新标签目标图像中的每一张图像，对应的原始标签为y∈{1，2，…，C}，C为类别数量；

输入双头图像分类模型的特征提取器中进行特征提取，得到特征图F∈R^N×H×W，其中N为图像特征的通道数量，H为图像特征的高，W为图像特征的宽；

在通道维度将N个通道进行分组，分组数量与类别数量C相同，使每个类别得到一定的通道数，得到通道特征向量；

所述通道特征向量是通过卷积和全局平局池化操作来实现，公式为：

z_i＝GAP(Conv_i(F_i))

其中，F_i是分组后第i类的特征图，Conv_i是对分组后第i类进行的卷积操作，GAP是全局平均池化。

5.根据权利要求4所述的基于双头深度学习的类别不平衡图像分类方法，其特征在于，所述得到正则化损失，具体为：

将得到的通道特征向量与目标图像的原始标签进行交叉熵损失计算，公式为：

其中，g是softmax操作，l_CE是交叉熵损失操作，y_i表示第i类的原始标签。