一种用于图像分类的特定类深度卷积特征选择方法与流程

本发明涉及计算机视觉，尤其涉及一种用于图像分类的特定类深度卷积特征选择方法。

背景技术：

1、计算机视觉图像表示领域中，有效地表示图像是至关重要的，常见的图像表示方法有深度卷积特征(deep convolutional feature，dcf)和手工特征方法两类。许多现有研究表明，相较手工特征方法，dcf可以提高图像分类、目标检测、视觉跟踪等方面的效果。然而，dcf总是具有高维特征(大约在1000以上)，其中有大量的冗余信息，高维特征可能带来高维数问题的风险，并在实际应用中可能会导致性能下降。目前，大多数研究工作直接利用dcf或使用非常简单的手工特征降维方法。因此，有必要开发一种特定的算法来从中选择效果特征。目前，相关的研究工作较少。

技术实现思路

1、本发明要解决的技术问题是针对上述现有技术的不足，提供一种用于图像分类的特定类深度卷积特征选择方法，实现特定类深度卷积特征的选择。

2、为解决上述技术问题，本发明所采取的技术方案是：一种用于图像分类的特定类深度卷积特征选择方法，首先从五个预先训练好的cnn模型中提取dcfs；将提取的dcf进行拼接，得到高维深度特征向量；通过改进的遗传算法从该高维深度特征向量中为每个类选择一个特定的特征子集，根据每个特征子集确定一个预测标签，并考虑所有预测标签做出最终分类决策。

3、所述改进的遗传算法有两个种群生成算子——算子1和算子2，且均为突变算子；首先初始化一个用1和0构成的特征向量表示一个种群，然后根据数据分布及其对应的选择特征计算每个个体的适应度得分进行评估；再根据当前个体的适应度分数，对其进行递减排序；然后，将当前迭代次数与给定的最大迭代数进行比较；如果算法已经执行了给定的最大次数，就输出适应度得分最高的个体；如果不是，则生成一个范围为[01]的随机数，如果随机数大于0.5，由算子1生成两个新的个体；算子2生成两个新的个体，添加到当前的种群中，并重复执行评估、排序和决策这些过程。

4、改进的遗传算法具体包括如下三个阶段：

5、(1)种群初始化阶段；

6、种群初始化中，对于每个个体，首先定义一个列向量从[1，2，...，d]t随机抽取一个子集最后得到初始化个体p(s)＝1，其中1的数量有个，0有个；初始化种群为n′表示初始化种群的大小；在这个群体中，所有个体和有相同数量的1，每个个体中1的位置不同；

7、(2)评估阶段；

8、每个个体的适应度评分通过基于类可分性的算法进行评估，类可分性为类间和类内方差的比值

9、当为每个图像分类选择特定的特征子集时，训练数据集x被分成两部分：当前类和剩余样本使用欧氏距离来计算类间和类内方差，定义为：其中，a＝[αj]是一个矩阵，αj是a的第jth个元素，μ表示a的平均值，|a|表示矩阵a的大小；在计算和矩阵a分别代表x′j以及和分别是ith类和剩余样本在应用降维后的数据(个体pj)，第jth个体在ith类中适应度评分为

10、(3)算子生成新个体阶段；

11、突变算子同时改变相同数量的1(s)和0(s)在第一种情况下，两个得分最高的父母分别被选中，生成两个新的孩子；对于每个父元素，一对l和0被随机定位，并被更改为0和1；在算子2中，通过两次改变得分最高的父元素获得两个新的个体；在每个变化阶段，两对1和0随机位于父节点，通过反转这两对1和0来诞生子节点。

12、采用上述技术方案所产生的有益效果在于：本发明提供的一种用于图像分类的特定类深度卷积特征选择方法，利用类可分性度量(class-separability)，通过修改遗传算法(genetic algorithm)，为每个类(class)选择一个特定的特征子集(feature subset)，根据每个特征子集确定一个预测标签，并考虑所有预测标签做出最终决策。

技术特征：

1.一种用于图像分类的特定类深度卷积特征选择方法，其特征在于：

2.根据权利要求1所述的一种用于图像分类的特定类深度卷积特征选择方法，其特征在于：所述改进的遗传算法有两个种群生成算子——算子1和算子2，且均为突变算子；首先初始化一个用1和0构成的特征向量表示一个种群，然后根据数据分布及其对应的选择特征计算每个个体的适应度得分进行评估；再根据当前个体的适应度分数，对其进行递减排序；然后，将当前迭代次数与给定的最大迭代数进行比较；如果算法已经执行了给定的最大次数，就输出适应度得分最高的个体；如果不是，则生成一个范围为[0 1]的随机数，如果随机数大于0.5，由算子1生成两个新的个体；算子2生成两个新的个体，添加到当前的种群中，并重复执行评估、排序和决策这些过程。

3.根据权利要求2所述的一种用于图像分类的特定类深度卷积特征选择方法，其特征在于：所述改进的遗传算法具体包括如下三个阶段：

技术总结本发明提供一种用于图像分类的特定类深度卷积特征选择方法，涉及计算机视觉技术领域。该方法首先从五个预先训练好的CNN模型中提取DCFs；将提取的DCF进行拼接，得到高维深度特征向量；再通过改进的遗传算法从该高维深度特征向量中为每个类选择一个特定的特征子集；最后根据每个特征子集确定一个预测标签，并考虑所有预测标签做出最终分类决策。该方法利用类可分性度量，通过修改遗传算法，为每个类选择一个特定的特征子集，根据每个特征子集确定一个预测标签，并考虑所有预测标签做出最终决策。技术研发人员：赵田,舒婷受保护的技术使用者：赵田技术研发日：技术公布日：2024/9/12