【技术实现步骤摘要】
本专利技术涉及农病监测泛化增强，尤其涉及一种基于特征加权的图像分类方法、系统及相关装置。
技术介绍
1、病害是影响农业生产效率的主要因素。它们可能造成农业生产成本增加，农业生产资源浪费，农业产量下降，质量下降，甚至没有收获。因此，农业病害的监测和防治一直受到人们的重视和重视。然而，传统的农病监测与防控主要依靠人工劳动，存在效率低、准确率低、效果差等诸多问题，因此效果不佳。
2、面对这种情况，应该将智能技术应用到农业病害监测中，利用智能技术的优势，提高农业病害监测和防控的有效性，切实有效地保障农业生产。神经网络深度学习等技术为疾病的智能检测提供了新的途径。
3、然而，目前疾病影像数据的采集还没有标准和规则，因此数据采集的形式也多种多样。一方面，数据采集环境不同。在实验台上收集了一些数据集。研究人员提前收集了许多有目标病害的植物叶片，带回实验室，用高清摄像机进行数据采集；数据集在农田现场采集。研究人员使用智能手机、数码相机和其他设备进入该领域，以识别和收集疾病的图像数据。另一方面，即使在相同的数据采集环境下，由于复杂的光照、背景、角度等方面的差异，采集到的数据在风格上仍然不统一。即数据集中的数据分布差异较大。这种分布差异会导致在训练集上表现良好的深度学习模型在遇到数据分布差异较大的测试集时崩溃。
4、对于这种情况下深度学习模型的性能下降有一个被广泛接受的解释。也就是说，模型的退化是由特征之间的虚假相关性引起的，这些特征是由原始数据集中存在的非因果相关性引起的。
5、因此，为了解决农业病
技术实现思路
1、有鉴于此，本专利技术提供一种基于特征加权的图像分类方法，能够利用特征加权来减少特征之间的虚假关联，提高深度学习模型对疾病数据集的泛化能力，并对传统神经网络进行改造，降低特征之间的相关性，更好的适应农病监测的泛化任务，用以解决现有技术中对特征之间的虚假相关性不够重视，没有对原始数据集中存在的非因果相关性的正确处理和应对的技术问题。
2、为达到上述技术目的，本专利技术采取了以下技术方案：
3、第一方面，本专利技术提供了一种基于特征加权的图像分类方法，包括以下步骤：
4、获取检测图像，将所述检测图像输入预设主干网络中，基于所述主干网络的特征提取模块，提取图像特征；
5、基于所述的图像特征，采用基于随机傅立叶特征的hilbert-schmidt独立准则独立统计量作为特征相关性的度量，生成特征的随机傅里叶测度；
6、基于所述生成的特征随机傅里叶测度，同时学习一组样本的权值；
7、基于所述的样本权值的学习，采用保存和重新加载的方法，该方法结合并存储训练阶段遇到的所有特征和样本权值，并对分类损失进行加权，得到加权损失；
8、基于所述的加权损失计算模型的最终损失，用所述最终损失更新主干网络中的特征提取函数和分类预测函数；
9、基于更新的特征提取函数和分类预测函数对训练图像再次进行特征提取并分类预测，得到图像的最终分类结果。
10、进一步的，所述主干网络基于resnet-18网络模型构建。
11、进一步的，对网络模型训练时，对数据集图像进行缩放，使训练图像与所述检测图像在输入主干网络前的规格一致；对所述多级图像进行缩放时，将待裁剪的区域进行置黑处理；对图像进行随机翻转和施加随机高斯滤波。
12、进一步的，所述的基于随机傅立叶特征的hilbert-schmidt独立准则测度计算公式为：
13、
14、其中u，v是随机傅里叶特征函数，其形式如下：
15、u(zi)＝(u1(zi)，u1(zi)，…un1(zi))，uj(zi)∈hrff(3)
16、v(zj)＝(v1(zj)，v2(zj)，…vn2(zj))，vj(zi)∈hrff(4)
17、hrff表示随机傅立叶特征的函数空间，其形式如下：
18、
19、其中w取自标准正态分布，而φ为均匀分布，的frobenius标准由以下公式定义：
20、
21、根据上述原理，是非负数，当它为零时，两个特征是独立的，即不存在相关性。
22、进一步的，使用样本加权来处理特征之间的相关性，经过加权处理后，随机变量部分的交叉协方差矩阵按如下方式计算：
23、
24、在训练过程中，将逐步优化w，使相关性最小化，具体计算公式如下：
25、
26、其中，δb表示
27、进一步的，在训练过程中，中间特征生成随机傅立叶特征测度并学习一组样本的权值，所述权值用于对分类损失进行加权，同时依次更新表示函数f(·)和预测函数g(·)，
28、
29、其中的l(·，·)是交叉熵损失函数，初始值为(1，1，1…，1)。
30、进一步的，每次训练迭代，进行保存和重新加载，结合并存储训练阶段遇到的特征和样本权值；将信息重新加载为所有训练数据的全局知识，优化样本权值；基于所述重新加载的全局知识，生成优化每批样本的权值特征，分批存储，并随着训练的迭代不断更新，得到所述的最终分类预测结果。
31、第二方面，本专利技术还提供了一种基于特征加权的图像分类系统，包括主数据预处理模块、特征提取模块、分类预测模块和权值学习模块；
32、基于所述数据预处理模块，得到训练图像和测试图像的具体数据，作为网络的输入，输入到特征提取模块；
33、所述特征提取模块，用于对输入的图像进行特征提取，根据所提取到的图像特征，将其分别作为分类预测模块和权值学习模块；
34、基于所述的分类预测模块，输入图像特征后，对图像进行初步的分类结果预测；
35、基于所述的权值学习模块，输入进来的图像特征先经过用特征相关性检测模块进行特征相关性获取特征相关性测度；
36、基于所述的特征相关性检测模块，采用基于随机傅立叶特征的hilbert-schmidt独立准则独立统计量作为特征相关性的度量；
37、在获取所述的特征相关性测度的同时，学习一组样本的权值，这些权值将对分类损失进行加权；
38、基于所述的样本权值的学习，采用保存和重新加载的方法，该方法结合并存储训练阶段遇到的所有特征和样本权值；
39、基于所述所保存的所有特征和样本权值，将其重新加载为所有训练的全局知识，对样本权重进行优化；
40、基于所述的样本权重优化，之后会随之产生相应的特征，并分批存储每个批次的权重，随着训练迭代不断更新；
41、基于所述的权值优化的不断更新，这些权值再次对分类损失进行重新加权，计算最终损失；
42、基于所述的最终损失，用于更新特征提取的表示函数和分类预测模块；
43、基于所述的分类预测模块，用于对提取到的本文档来自技高网...
【技术保护点】
1.一种基于特征加权的图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，所述主干网络基于resnet-18网络模型构建。
3.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，对网络模型训练时，对数据集图像进行缩放，使训练图像与所述检测图像在输入主干网络前的规格一致；对所述多级图像进行缩放时，将待裁剪的区域进行置黑处理；对图像进行随机翻转和施加随机高斯滤波。
4.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，所述的基于随机傅立叶特征的Hilbert-Schmidt独立准则测度计算公式为：
5.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，使用样本加权来处理特征之间的相关性，经过加权处理后，随机变量部分的交叉协方差矩阵按如下方式计算：
6.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，在训练过程中，中间特征生成随机傅立叶特征测度并学习一组样本的权值，所述权值用于对分类损失进行加权，同时依次更新表示函数f(·)和预测函
7.根据权利要求6所述的基于特征加权的图像分类方法，其特征在于，每次训练迭代，进行保存和重新加载，结合并存储训练阶段遇到的特征和样本权值；将信息重新加载为所有训练数据的全局知识，优化样本权值；基于所述重新加载的全局知识，生成优化每批样本的权值特征，分批存储，并随着训练的迭代不断更新，得到所述的最终分类预测结果。
8.基于特征加权的图像分类系统，其特征在于，包括主数据预处理模块、特征提取模块、分类预测模块和权值学习模块；
9.一种计算机设备，其特征在于，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或者全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现权利要求1-7任一项所述基于特征加权的图像分类方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1-7中任一项所述基于特征加权的图像分类方法中的步骤。
...【技术特征摘要】
1.一种基于特征加权的图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，所述主干网络基于resnet-18网络模型构建。
3.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，对网络模型训练时，对数据集图像进行缩放，使训练图像与所述检测图像在输入主干网络前的规格一致；对所述多级图像进行缩放时，将待裁剪的区域进行置黑处理；对图像进行随机翻转和施加随机高斯滤波。
4.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，所述的基于随机傅立叶特征的hilbert-schmidt独立准则测度计算公式为：
5.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，使用样本加权来处理特征之间的相关性，经过加权处理后，随机变量部分的交叉协方差矩阵按如下方式计算：
6.根据权利要求1所述的基于特征加权的图像分类方法，其特征在于，在训练过程中，中间特征生成随机傅立叶特征测度并学习一组样本的权值，所述权值用于对分类损失进行加权...
【专利技术属性】
技术研发人员：左炜亮，熊松，武佳懿，陈子恺，辛景民，郑南宁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。