1.一种基于数据增强的细粒度图像分类方法,其特征在于,包括:S1数据预处理:对原始图像进行图像预处理得到训练图像;
S2模型训练:
S21将所述训练图像输入到骨干网络中得到特征图一,所述特征图一经过全连接层分类后计算分类的原始损失;
S22根据所述特征图一对所述训练图像进行特征定位得到定位对象图;
S23将所述定位对象图输入到骨干网络中得到特征图二,所述特征图二经过全连接层分类后计算分类的定位损失;
S24根据所述特征图二对所述定位对象图进行数据增强处理得到部件图像和互补图像;
S25依次将所述部件图像和所述互补图像输入到骨干网络和全连接层,并计算分类的部件损失和互补损失;
S26将所述原始损失、定位损失、部件损失和互补损失之和作为模型的整体损失,通过反向传播更新模型参数;
S27重复步骤S2,直到模型收敛或者达到指定的迭代次数;
S3图像分类:
S31将经过图像预处理的待分类图像输入到骨干网络中得到特征图三;
S32根据所述特征图三对所述待分类图像进行特征定位得到定位对象图像;
S33将所述定位对象图像输入到骨干网络和全连接层得到所述待分类图像对应的标签类别;
所述骨干网络是以图像分类为训练任务的预训练模型;
所述步骤S21、S23、S25中的骨干网络、全连接层是共享参数的。
2.如权利要求1所述的一种基于数据增强的细粒度图像分类方法,其特征在于,所述图像预处理包括:图像缩放、随机水平翻转、颜色抖动和归一化处理;
所述图像缩放是将所述原始图像缩放到统一的尺寸。
3.如权利要求2所述的一种基于数据增强的细粒度图像分类方法,其特征在于,所述根据所述特征图一对所述训练图像进行特征定位得到定位对象图,包括:对所述特征图一在通道方向上进行求和得到激活图一A;
计算所述激活图一的均值作为第一阈值λ;
根据第一阈值和激活图一计算对象掩码Mobj,计算公式如下:;
对所述对象掩码进行双线性插值缩放到所述训练图像的大小,再与所述训练图像逐元素相乘得到定位对象图;
所述对所述特征图一在通道方向上进行求和的计算公式为 ;
其中,A(x,y)是激活图一在(x,y)位置处的数值;
C x H x W
F∈R 表示骨干网络最后一层卷积层输出的特征图,Fi表示第i个通道的图像;
C为特征图的通道数;
W、H分别是激活图一的像素宽度、像素高度。
4.如权利要求3所述的一种基于数据增强的细粒度图像分类方法,其特征在于,所述根据所述特征图二对所述定位对象图进行数据增强处理得到部件图像和互补图像,包括:对所述特征图二在通道方向上进行求和得到激活图二;
取所述激活图二中的第H×W×k大的值为第二阈值θ;
根据所述第二阈值和激活图二计算部件掩码Mpart,计算公式如下:;
对所述部件掩码进行双线性插值到所述训练图像的大小再求非零值的最小外接矩形得到边界框;
根据所述边界框从所述定位对象图中裁剪出最具判别力的部件图像;
根据所述部件掩码计算互补掩码,计算公式如下:;
对所述互补掩码进行双线性插值放缩到所述训练图像的大小,再与所述训练图像逐元素相乘得到的互补图像;
所述根据所述边界框从所述定位对象图中裁剪出最具判别力的部件图像,还包括将部件图像进行双线性插值到所述定位对象图的大小;
其中,k为区间(0,1)的数;
H、W分别是激活图二的像素宽度、像素高度;
B(x,y)是激活图二在(x,y)位置处的数值;
Mpart(x,y)是部件掩码在(x,y)位置处的数值;
Mcom(x,y)是互补掩码在(x,y)位置处的数值。
5.如权利要求4所述的一种基于数据增强的细粒度图像分类方法,其特征在于,所述根据所述特征图三对所述待分类图像进行特征定位得到定位对象图像,包括:对所述特征图三在通道方向上进行求和得到激活图三C;
计算所述激活图三的均值作为第三阈值设置β;
根据所述第三阈值和激活图三计算对象掩码,计算公式如下:;
对所述对象掩码进行双线性插值缩放到所述待分类图像的大小,并与所述待分类图像逐元素相乘得到定位对象图;
其中,C(x,y)是激活图三中(x,y)位置处的数值;
Mnew(x,y)是对象掩码在(x,y)位置处的数值。
6.如权利要求1所述的一种基于数据增强的细粒度图像分类方法,其特征在于,所述计算分类的原始损失、计算分类的定位损失和计算分类的部件损失和互补损失,使用的损失函数都是交叉熵损失函数。
7.一种采用如权利要求1所述方法的细粒度图像分类方法,其特征在于,用所述训练图像和所述特征图一分别代替所述定位对象图和所述特征图二。