1.一种基于正则化监督损失函数的图像分类方法,其特征在于,包括以下步骤:步骤1:分类模型的构建;分类模型由4个特征提取单元、全连接层、分类器以及Softmax层组成;
步骤2:训练图像的特征提取以及分类;在训练图像数据集中随机选择一批图像依次输入到特征提取单元和全连接层提取图像卷积特征,然后全连接层对卷积特征进行转换,输入到分类器中得到分类分值,最后Softmax层将分类分值转化为概率输出值;
步骤3:正则化Softmax损失函数的计算;基于步骤2所得的概率输出值与图像真实标签值计算Softmax损失函数以及正则化因子,从而得到正则化Softmax损失函数;
步骤4,正则化监督对比损失函数的计算;基于样本的类别签值计算样本特征之间的监督对比损失函数以及正则化因子,从而得到正则化监督对比损失函数;
步骤5:网络的训练与测试;计算正则化Softmax损失函数和正则化监督对比损失函数的加权和作为总的损失函数对网络中的参数进行优化,固定优化后网络中的参数,在线采集图像,输入到网络中得到图像的类别预测值;
在步骤3中,正则化Softmax损失函数的计算过程如下:
S31:步骤2中得到概率输出值 与真实标签值yi之间Softmax损失函数的计算公式为:其中,M为图像的类别总数,yij表示真实标签yi的第j个分量, 表示概率输出值 的第j个分量,wj表示分类器参数矩阵中的j个权重向量;
S32:步骤2中得到概率输出值 与真实标签值yi之间正则化因子的计算公式为:其中,wk表示分类器参数矩阵中的除j个权重向量以外的任意权重向量,α为可调参数;
S33:步骤2中得到概率输出值 与真实标签值yi之间正则化Softmax损失函数的计算公式为:在步骤4中,正则化监督对比损失函数的计算过程的具体步骤如下:
S41:以步骤2得到的图像特征zi作为锚点,在此批图像中所有样本特征组成的集合为A(i),在集合A(i)中索引得到与其类别标签相同的样本特征组成正例样本集合p(i),集合P(i)的样本特征的数目为P,在集合A(i)中索引得到与其类别标签不相同的样本特征组成负例样本集合N(i),集合N(i)的样本特征的数目为N,则监督对比学习损失函数的计算公式为:S42:以步骤2得到的图像特征zi作为锚点,则正则化因子的计算公式为:其中,zp为集合P(i)中的第p个样本特征,zn为集合N(i)中的第n个样本特征,za为集合A(i)中的第a个样本特征,β为可调参数;
S43:正则化监督对比损失函数的计算公式为:
2.根据权利要求1所述的一种基于正则化监督损失函数的图像分类方法,其特征在于,在步骤1中,分类模型的构建的具体步骤如下:S11:分类模型中每个特征提取单元是由卷积残差块和注意力模块组成的,每个特征提取单元中卷积残差块的数目分别为3,4,6,3,每个残差块由3个卷积层组成的,注意力模块采用SENet注意力机制;第一个特征提取单元被表示为Rθ1(·),每个卷积层中卷积核的数目分别为64,64,256;第二个特征提取单元被表示为Rθ2(·),每个卷积层中卷积核的数目分别为128,128,512;第三个特征提取单元被表示为Rθ3(·),每个卷积层中卷积核的数目分别为
256,256,1024;第四个特征提取单元被表示为Rθ4(·),每个卷积层中卷积核的数目分别为
512,512,2048,θ1,θ2,θ3,θ4为特征提取单元中参数;
S12:分类模型中全连接层表示为 神经元的数目为1000,将平均池化的卷积特征转化为1000维的特征;
S13:分类模型中的分类器表示为Cw(·),将步骤S12中的图像特征转化为分类分值;
S14:分类模型中的Softmax层表示为S(·),将步骤S13中的分类分值转化为概率输出值。
3.根据权利要求1所述的一种基于正则化监督损失函数的图像分类方法,其特征在于,在步骤2中,训练图像的特征提取以及分类过程的具体步骤如下:S21:在训练数据集中随机抽取一批图像,该批图像的数目为L,其中任意一幅图像被表示为xi,该图像对应的分类标签表示为yi;
S22:将图像xi输入到分类模型的第一个特征提取单元,得到zi1=Rθ1(xi),随后将zi1输入到第二个特征提取单元得到zi2=Rθ2(zi1),之后将zi2输入到第三个特征提取单元得到zi3=Rθ3(zi2),最后将zi3输入到第四个特征提取单元得到图像的卷积特征zi4=Rθ4(zi3);
S23:将步骤S22得到的图像卷积特征zi4经过平均池化操作后被输入到全连接层得到图像特征S24:将步骤S23得到的图像特征zi输入到全连接层 得到分类分值ci=Cw(zi):S25:步骤S24得到的分类分值ci经过Softmax层得到图像的类别概率输出值
4.根据权利要求1所述的一种基于正则化监督损失函数的图像分类方法,其特征在于,在步骤5中,网络的训练与测试过程的具体步骤如下:S51:对网络中参数进行优化的总的损失函数为:
其中,γ为可调的权重参数,基于上式利用梯度下降法对网络中的优化网络中的参数;
S52:完成网络的训练后,固定网络中的参数θ1,θ2,θ3,θ4, w,在线采集测试图像输入到网络中,经过特征提取单元和全连接层得到图像x的特征表示为:则图像x的最终的类别预测值表示为: