一种长尾数据识别模型的优化方法及系统技术方案

本发明专利技术提供一种长尾数据识别模型的优化方法及系统，该方法包括如下步骤：获取初始长尾数据集，并基于所述初始长尾数据集构建初始识别模型；基于所述初始长尾数据集并通过少数类超采样策略生成混合图像；计算得到所述混合图像的类相关加权显著图；根据所述类相关加权显著图为所述混合图像分配标签权重；通过所述类相关加权显著图优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。本发明专利技术具有提升识别模型对长尾数据集识别精度的效果。精度的效果。精度的效果。

【技术实现步骤摘要】
一种长尾数据识别模型的优化方法及系统


[0001]本专利技术属于图像识别
，具体是涉及到一种长尾数据识别模型的优化方法及系统。

技术介绍

[0002]近年来，深度神经网络主导了视觉表征的学习，并在各种下游任务上表现出强大的性能。然而，这一成功高度依赖于人工创建的相对平衡的数据集类，如ImageNet、MS Coco、CIFAR
‑
100/10等，由于大规模平衡数据集往往需要大量的资源成本来构建，因此用真实世界的数据训练模型成为深度学习的一个重要研究方向。现实世界的数据往往呈现长尾分布，即头部类的样本较多，尾部类的样本很少。在这样的数据集上训练的模型倾向于头部类，导致对尾部类样本的识别精度较低。
[0003]长尾数据集识别精度低的一个关键原因是样本数不足导致模型不能提取足够的显著特征，即长尾模型提取的特征不能很好地代表测试图像。并且这种不平衡性将分类器误导向头部类，进一步降低了模型的识别精度。

技术实现思路

[0004]本专利技术提供一种长尾数据识别模型的优化方法及系统，以解决识别模型对长尾数据集识别精度较低的问题
[0005]第一方面，本专利技术提供一种长尾数据识别模型的优化方法，该方法包括如下步骤：
[0006]获取初始长尾数据集，并基于所述初始长尾数据集构建初始识别模型；
[0007]基于所述初始长尾数据集并通过少数类超采样策略生成混合图像；
[0008]计算得到所述混合图像的类相关加权显著图；
[0009]根据所述类相关加权显著图为所述混合图像分配标签权重；
[0010]通过所述类相关加权显著图优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。
[0011]可选的，所述类相关加权显著图的计算公式如下：
[0012][0013]式中：y
c
表示相对于类别C的最终得分；A
d
表示第d通道的特征映射；i和j分别表示特征映射中的坐标；表示A
d
的权重；表示A在通道d中，坐标为ij位置处的数据；Z表示特征映射的宽度*高度。
[0014]可选的，所述根据所述类相关加权显著图为所述混合图像分配标签权重包括如下步骤：
[0015]根据预设的显著阈值设置所述类相关加权显著图中的显著分区；
[0016]基于所述显著分区的分区比例为所述混合图像分配标签权重。
[0017]可选的，所述通过所述类相关加权显著图训练所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性包括如下步骤：
[0018]将所述类相关加权显著图代入所述初始识别模型；
[0019]通过所述初始识别模型中的激活函数激活所述类相关加权显著图，得到激活结果；
[0020]结合所述激活结果和预设的特征阈值计算得到增强掩码；
[0021]通过所述增强掩码优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。
[0022]可选的，在所述通过所述初始识别模型中的激活函数激活所述类相关加权显著图，得到激活结果之后还包括如下步骤：
[0023]获取所述初始识别模型中类别C的训练样本数；
[0024]基于所述训练样本数计算得到损失阈值；
[0025]结合所述激活结果和所述损失阈值计算得到丢弃掩码；
[0026]通过所述丢弃掩码优化所述初始识别模型，以使所述初始识别模型丢弃最具类别性的特征。
[0027]第二方面，本专利技术还提供一种长尾数据识别模型的优化系统，所述系统包括：
[0028]模型创建模块，用于获取初始长尾数据集，并基于所述初始长尾数据集构建初始识别模型；
[0029]图像生成模块，用于从所述模型创建模块获取所述初始长尾数据集，基于所述初始长尾数据集并通过少数类超采样策略生成混合图像；
[0030]显著计算模块，预设有类相关加权显著图的计算公式，用于获取所述图像生成模块所生成的所述混合图像，并计算得到所述混合图像的类相关加权显著图；
[0031]权重分配模块，用于获取所述显著计算模块所计算得到的所述类相关加权显著图，并根据所述类相关加权显著图为所述混合图像分配标签权重；
[0032]模型优化模块，用于获取所述显著计算模块所计算得到的所述类相关加权显著图，并通过所述类相关加权显著图优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。
[0033]可选的，所述显著计算模块中预设的类相关加权显著图的计算公式如下：
[0034][0035]式中：y
c
表示相对于类别C的最终得分；A
d
表示第d通道的特征映射；i和j分别表示特征映射中的坐标；表示A
d
的权重；表示A在通道d中，坐标为ij位置处的数据；Z表示特征映射的宽度*高度。
[0036]可选的，所述权重分配模块包括：
[0037]分区设置单元，预设有显著阈值，用于获取所述显著计算模块所计算得到的所述类相关加权显著图，并根据所述显著阈值设置所述类相关加权显著图中的显著分区；
[0038]权重分配单元，用于根据所述分区设置单元所设置的所述显著分区的分区比例，为所述混合图像分配标签权重。
[0039]可选的，所述模型优化模块包括：
[0040]激活单元，用于将所述类相关加权显著图代入所述初始识别模型，并通过所述初始识别模型中的激活函数激活所述类相关加权显著图，得到激活结果；
[0041]掩码计算单元，预设有特征阈值，用于结合所述激活结果和所述特征阈值计算得到增强掩码；
[0042]增强优化单元，用于通过所述增强掩码优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。
[0043]可选的，所述系统还包括特征扩展模块，所述特征扩展模块包括：
[0044]数据获取单元，用于获取所述初始模型中类别C的训练样本数；
[0045]第一计算单元，用于根据所述训练样本数计算得到损失阈值；
[0046]第二计算单元，与所述激活单元和所述第一计算单元连接，用于结合所述激活结果和所述损失阈值计算得到丢弃掩码；
[0047]丢弃优化单元，用于通过所述丢弃掩码优化所述初始识别模型，以使所述初始识别模型丢弃最具类别性的特征。
[0048]本专利技术的有益效果是：
[0049]本专利技术所述方法包括如下步骤：获取初始长尾数据集，并基于所述初始长尾数据集构建初始识别模型；基于所述初始长尾数据集并通过少数类超采样策略生成混合图像；计算得到所述混合图像的类相关加权显著图；根据所述类相关加权显著图为所述混合图像分配标签权重；通过所述类相关加权显著图优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。通过类相关显著图来增强类相关区域的显著性，限制其他特征的显著性，从而提高识别模型对长尾数据集识别的精度。
附图说明
[0050]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长尾数据识别模型的优化方法，其特征在于，所述方法包括如下步骤：获取初始长尾数据集，并基于所述初始长尾数据集构建初始识别模型；基于所述初始长尾数据集并通过少数类超采样策略生成混合图像；计算得到所述混合图像的类相关加权显著图；根据所述类相关加权显著图为所述混合图像分配标签权重；通过所述类相关加权显著图优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。2.根据权利要求1所述的长尾数据识别模型的优化方法，其特征在于，所述类相关加权显著图的计算公式如下：式中：表示相对于类别C的最终得分；表示第d通道的特征映射；i和j分别表示特征映射中的坐标；表示的权重；表示A在通道d中，坐标为ij位置处的数据；Z表示特征映射的宽度*高度。3.根据权利要求1所述的长尾数据识别模型的优化方法，其特征在于，所述根据所述类相关加权显著图为所述混合图像分配标签权重包括如下步骤：根据预设的显著阈值设置所述类相关加权显著图中的显著分区；基于所述显著分区的分区比例为所述混合图像分配标签权重。4.根据权利要求1所述的长尾数据识别模型的优化方法，其特征在于，所述通过所述类相关加权显著图训练所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性包括如下步骤：将所述类相关加权显著图代入所述初始识别模型；通过所述初始识别模型中的激活函数激活所述类相关加权显著图，得到激活结果；结合所述激活结果和预设的特征阈值计算得到增强掩码；通过所述增强掩码优化所述初始识别模型，以使所述初始识别模型增强类相关区域特征的显著性。5.根据权利要求4所述的长尾数据识别模型的优化方法，其特征在于，在所述通过所述初始识别模型中的激活函数激活所述类相关加权显著图，得到激活结果之后还包括如下步骤：获取所述初始识别模型中类别C的训练样本数；基于所述训练样本数计算得到损失阈值；结合所述激活结果和所述损失阈值计算得到丢弃掩码；通过所述丢弃掩码优化所述初始识别模型，以使所述初始识别模型丢弃最具类别性的特征。6.一种长尾数据识别模型的优化系统，其特征在于，所述系统包括：模型创建模块，用于获取初始长尾数据集，并基于所述初始长尾数据集构建初始识别
模型；图像生成模块，用于从所述模型创建模块获取所述初始长尾数据集，基于所述初始长尾数据集并通过少数类...

【专利技术属性】
技术研发人员：李硕豪，杨佳鑫，张军，黄魁华，黄金才，何华，李虹颖，王翔汉，刘忠，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：