买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

摘要：本发明提供一种基于深度半监督模型的图像细粒度分类方法，包括以下步骤：S1、获取原始图片，提取原始图片图像特征，组成全局特征矩阵；S2、对原始图片进行超像素分割，计算得出成特征分配映射；S3、将全局特征矩阵和特征分配映射进行非线性特征编码，得到超像素局部区域特征；S4、检测每个部分的发生概率，利用对齐概率分布得到超像素区域发生概率正则化项；S5、创建半监督神经网络，根据超像素区域发生概率正则化项和损伤函数训练半监督神经网络；S6、用训练好的半监督神经网络进行图像细粒度分类。本发明能够准确高效地对手写数字和医学细胞图像进行细粒度分类，兼具更优的图像细粒度分类准确率。

主权项：1.一种基于深度半监督模型的图像细粒度分类方法，其特征在于，包括以下步骤：S1、获取原始图片，提取原始图片图像特征X1：N＝{Xn}，组成全局特征矩阵X：S2、对步骤S1中获得的原始图片进行超像素分割，图像划分为k个部分dk，计算得到特征分配映射Q；S3、将步骤1中获得的全局特征矩阵X和步骤S2中获得的特征分配映射Q进行非线性特征编码，得到超像素局部区域特征Z；S4、在给定Q前提下，检测每个部分dk的发生概率，利用对齐概率分布法得到超像素区域发生概率正则化项；S5、创建半监督神经网络fθx，根据超像素区域发生概率正则化项和损伤函数训练半监督神经网络fθx；S6、用步骤S5中训练好的半监督神经网络fθx进行图像细粒度分类；所述步骤S4包括以下步骤：S4.1、定义检测器为其中，是2D高斯核，*操作是卷积运算符，Qk来自步骤S2中分配向量映射Q，tk的范围为0，1；S4.2、将所有k部分检测器的输出合并到共现向量τ＝[t1，t2，...，tK]T∈0,1K，表示所有超像素发生的概率；S4.3、将所有共现向量τn,n＝1,2,…,N合并成一个矩阵T＝[τ1,τ2,…τN]∈0,1K×N，估计得到经验分布pdk|X1:N；S4.4、设定一个先验分布为U型的Beta分布，用EarthMover距离来对齐pdk|X1:N和先验并用对齐后的共现向量作正则化项，对齐公式为： 所述步骤S5包括以下步骤：S5.1、建立随机初始化参数为θ的神经网络fθx，将区域特征Z和特征矩阵X输入神经网络进行训练；S5.2、计算神经网络fθx的监督数据和无监督数据损失项，其中，计算有标签数据的监督损失项的公式为： 计算无标签数据的无监督损失项的公式为： S5.5、得到总损失，公式为：Loss＝loss1+loss2+Reg_prior；S5.6、利用ADAM算法更新神经网络参数θ。

全文数据：

权利要求：

百度查询： 南通大学 一种基于深度半监督模型的图像细粒度分类方法