[发明专利]一种基于歧视增强的开集增量图像分类方法

权利要求书

1.一种基于歧视增强的开集增量图像分类方法，其特征在于，包括：在每次进行图像分类类别的增量时，按照包含步骤S1和步骤S2的训练阶段进行模型训练，以及，在第i次增量之后至第i+1次增量之前的期间，按照包含步骤S3至步骤S5的应用阶段对目标图像数据x进行分类；

步骤S1、获取能够对归类于原始类别的图像数据进行正确分类的原始图像分类模型Model’，其中，该原始图像分类模型Model'通过用归类于所述原始类别的原始类别训练数据对神经网络模型Model进行训练得到，所述原始类别属于所述图像数据的图像分类类别；

步骤S2、当所述图像数据的图像分类类别进行第i次增量时，进行重新训练，以得到能够对归类于第i次新增类别的图像数据进行正确分类的第i次新增类别图像分类模型ModelA_i，并且，进行增量学习，以得到能够对归类于旧类别和第i次新增类别的图像数据进行分类的第i次增量学习图像分类模型ModelB_i；其中，所述第i次新增类别为所述第i次增量所新增的图像分类类别，当i＝1也即第1次增量时，所述旧类别即为所述原始类别，当i≥2时，所述旧类别为所述原始类别和第1次增量至第i-1次增量所新增的图像分类类别的合集；

步骤S3、利用开集识别算法，判断目标图像数据x归类于所述旧类别，还是归类于所述第i次新增类别；

步骤S4、利用歧视增强方法对所述第i次增量学习图像分类模型ModelB_i的全连接层参数进行修改，以将所述第i次增量学习图像分类模型ModelB_i的输出逻辑分别修改为：用于旧类别图像数据的旧类别输出逻辑O₁^m+n(x)，以及，用于第i次新增类别图像数据的新增类别输出逻辑

步骤S5、当所述步骤S3判断目标图像数据x归类于所述旧类别时，采用步骤S4所述旧类别输出逻辑O₁^m+n(x)作为所述目标图像数据x的分类结果；

当所述步骤S3判断目标图像数据x归类于所述第i次新增类别时，采用步骤S4所述新增类别输出逻辑作为所述目标图像数据x的分类结果。

2.根据权利要求1所述基于歧视增强的开集增量图像分类方法，其特征在于：所述步骤S2中，按步骤S2A进行所述重新训练，按步骤S2B进行所述增量学习：

步骤S2A、用归类于所述第i次新增类别的第i次新增类别训练数据对所述神经网络模型Model进行训练，得到所述第i次新增类别图像分类模型ModelA_i；

步骤S2B、用归类于所述第i次新增类别的第i次新增类别训练数据以及总损失函数Loss对第i-1次增量学习图像分类模型ModelB_i-1进行训练，得到所述第i次增量学习图像分类模型ModelB_i；其中，当i＝1时，所述第i-1次增量学习图像分类模型ModelB_i-1为步骤S1所述原始图像分类模型Model’；所述总损失函数Loss＝αLoss_D+βLoss_CE，Loss_D表示蒸馏损失函数，Loss_CE表示交叉熵损失函数，α和β为预设的变量参数。

3.根据权利要求2所述基于歧视增强的开集增量图像分类方法，其特征在于：所述步骤S3的具体步骤包括：

步骤S3-1、用所述第i次新增类别图像分类模型ModelA_i对目标图像数据x进行处理，得到所述第i次新增类别图像分类模型ModelA_i的输出逻辑依次表示第i次新增类别图像分类模型ModelA_i识别目标图像数据x是否归类于第1类至第n类新增类别的结果，n为所述第i次新增类别的数量，n≥1；

步骤S3-2、用开集识别算法对步骤S3-1所述输出逻辑进行softmax处理，得到处理结果softmax(o₁(x))，...，softmax(o_n(x))；

步骤S3-3、如果满足max(softmax(o₁(x))，...，softmax(o_n(x)))≤η，则判断所述目标图像数据x归类于所述旧类别，否则，判断所述目标图像数据x归类于所述第i次新增类别；其中，η为预设的阈值系数。