1.一种基于轮替知识蒸馏策略的细粒度识别方法,其特征在于,包括如下步骤,步骤S1、利用卷积神经网络训练获取卷积特征图;
步骤S2、对卷积特征图聚类,获取通道指示向量,通过通道指示向量训练channel group模块,生成注意力掩模;
步骤S3、根据注意力掩模获取局部图,再将局部图与全局图通过轮替知识蒸馏策略训练,得到细粒度图像。
2.根据权利要求1所述的一种基于轮替知识蒸馏策略的细粒度识别方法,其特征在于,所述步骤S1中的卷积神经网络采用由ImageNet预训练的VGG19网络,所述VGG19网络包括5组卷积块,每组卷积块包括若干个卷积层、一个池化层和一个激活层,5组卷积块的卷积层的卷积核数分别为64、128、256、512和512。
3.根据权利要求1所述的一种基于轮替知识蒸馏策略的细粒度识别方法,其特征在于,所述步骤S2中,生成注意力掩模的具体流程为,步骤S21、遍历所有样本,找出特征图中最大值的坐标,构建位置坐标;第K个特征图所对应的位置向量为其中,W为训练样本数量, 为第i个样本第k个特征图的最大值坐标,位置向量的维数为2W维;
步骤S22、采用子空间聚类对位置向量进行聚类,簇数为4,划分为四种不同的局部区域;
步骤S23、根据聚类结果获取卷积特征图的通道指示向量;
步骤S24、构建channel group模块,该模块由全连接层FC1、激活层tanh、全连接层FC2和激活层sigmoid构成,通道指示向量作为channel group模块的标签,利用均方误差损失进行训练,使channel group模块的输出与通道指示向量保持一致;并通过损失函数微调channel group模块,该函数为:Lcg=Lcng+0.1Lbound;
其中,Lcng可凝聚相同位置的注意力掩模,并将不同位置的注意力掩模相互分离;
再利用Lbound优化channel group模块的参数,即:
H(tx,ty,tw,th)=[h(x-tx)-h(x-tx-tw)]·[h(y-ty)-h(y-ty-th)],h(x)=1/[1+exp(-kx)],
其中,(tx,ty,tw,th)为目标区域的位置,是通过卷积特征图生成的粗糙目标掩模,再通过CRF方法获取精细化的目标掩模,tx,ty为目标区域左上角坐标,tw,th为目标区域框的大小,H(tx,ty,tw,th)近似为二维阶跃函数,H(tx,ty,tw,th)可由x轴方向上的sigmoid函数和y方向上的sigmoid函数构成,k控制sigmoid函数h(x)的梯度。
4.根据权利要求3所述的一种基于轮替知识蒸馏策略的细粒度识别方法,其特征在于,获取通道指示向量的方法为:首先提取卷积特征图的最大响应位置,构成特征向量,通过子空间聚类对特征向量进行处理,通道指示向量表示为:(I1(·),...Ik(·),...I512(·))m;
其中,m=1,2,3,4,如果第k个卷积特征图Ik(·)属于第m个簇,那么.Ik(·)=1,否则,Ik(·)=0。
5.根据权利要求1所述的一种基于轮替知识蒸馏策略的细粒度识别方法,其特征在于,所述步骤S3中,将注意力掩模获取的局部图输入part-net卷积神经网络中获取局部特征,将从原图截取的全局图输入object-net卷积神经网络中获取全局特征,再将全局特征和局部特征拼接输入融合分类器classifier;采用轮替知识蒸馏策略进行局部特征与全局特征的语义增强。
6.根据权利要求5所述的一种基于轮替知识蒸馏策略的细粒度识别方法,其特征在于,采用轮替知识蒸馏策略进行局部特征与全局特征的语义增强的具体流程为:object-net卷积神经网络输出经过分类器后得到向量pobject,part-net卷积神经网络输出经过分类器后得到向量ppart,将pobject和ppart的最大值位置与样本标签值label做比较,分类正确的一方作为teacher,分类错误的一方作为student,知识传递可由损失来体现,则知识蒸馏损失为:Object-Net作为teacher时,
Part-Net作为teacher时,
其中,pobject和ppart为概率分布,N代表batch size,M代表满足条件的样本数量,x代表样本;
结合用于分类的交叉熵损失,联合同步训练Object-Net、Part-Net和classifier,其整体损失函数为:其中, 分别为Object-Net、Part-Net、classifier的交叉熵损失函数,α为β是知识蒸馏损失的权重系数。