欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021101174566
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进的Focal损失函数的图像识别方法,其特征在于,包括以下步骤:

(1)对样本进行初次划分,划分成训练集,测试集以及剩余样本集,然后使用训练集,并基于改进的Focal损失函数,训练卷积神经网络模型;所述改进的Focal Loss函数为对Focal损失函数的调制因子进行改进,使函数对困难样本的关注度更高,对简单样本的关注度相对下降:γ

FLg(x)=‑g(x) ln(y')

其中,FLg(x)为最终的损失值,g(x)就是新调制因子,y'就是正样本的预测结果,x为置信度,γ是样本控制参数,g(x)=0.5*(1+cos(π*y'));

(2)使用训练好的神经网络模型,预测剩余样本集,并挑选出困难负样本,形成困难负样本集,并分出N等份;将N等份的困难负样本集,分别加入步骤(1)中划分的训练集中,形成新的训练集,总计N份新训练集;微调参数,然后训练新训练集,得到N个训练好的预测模型;

(3)使用N个预测模型,预测同一份测试集,然后通过投票的方式得到最终的结果。

2.根据权利要求1所述的基于改进的Focal损失函数的图像识别方法,其特征在于,步骤(1)所述的神经网络模型包括输入层、卷积层、激活层、池化层、全连接层;所述输入层输入的是图片信息,每张图片的大小为128*128;所述卷积层中,使用的卷积核大小filter size=3x3,步长为1;所述池化层使用的池化方式是最大池化法,提取局部的最大值;所述激活层使用relu函数;所述全连接层使用的是sigmoid函数,输出维度为1。

3.根据权利要求1所述的基于改进的Focal损失函数的图像识别方法,其特征在于,在步骤(2)所述的困难负样本集是预测的值偏向数字1的集合,通过设置不同的阈值,调整困难负样本的数据量。

4.根据权利要求1所述的基于改进的Focal损失函数的图像识别方法,其特征在于,所述步骤(2)包括以下步骤:(21)样本集为S,划分样本集为训练集TrainSet,测试集TestSet,剩余样本集ResidualSet,由于负样本远远大于正样本,此剩余样本集全部为负样本,然后建立卷积神经网络模型CNNFLF;

(22)对剩余样本集ResidualSet进行预测,预测值preds大于阈值0.8,则样本为困难样本,否则,该样本为简单样本;

(23)将困难样本集分成N份,加入训练集中,充当负样本,形成新的训练集TrainSet1,TrainSet2,TrainSet3,……,TrainSetN并分别训练N个模型CNNFLG1,CNNFLG2,CNNFLG3,……,CNNFLGN仍然以TestSet为测试集,得出N个测试预测结果集合preds={preds1,preds2,preds3,……,predsN};

(24)设定i=0,1,2,3,……,n;i为preds集合中预测值大于阈值的个数,P为计算预测值的函数,设定P(i>1)=1,表示N个模型预测一个样本时,预测值大于阈值的个数大于1时,表示此样本为正样本,否则为负样本,最终输出预测集合。