申请/专利权人：东南大学

申请日：2021-04-22

公开（公告）日：2024-05-31

公开（公告）号：CN113052261B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/0442;G06N3/047;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2021.07.16#实质审查的生效;2021.06.29#公开

摘要：本发明公开了一种基于余弦空间优化的图像分类损失函数的设计方法，该方法基于常用的AdditiveMarginSoftmax优化，提出了一种可以对图像分类的类内距离与类间距离同时进行主动调控的损失函数。该方法在模型训练的前半阶段采用了AM‑Softmax损失函数，拉开类间距离，在训练后半阶段加入可以随训练批次动态调节的类内中心，进一步紧致同一类别物体的特征向量，同时拉开不同类别物体特征向量间的余弦距离，能够使得模型更快收敛，既能够充分的区分相似类别，也能进一步提高模型性能。

主权项：1.一种基于余弦空间优化的图像分类损失函数的设计方法，其特征在于，包括如下步骤：步骤S1、获取数据集，设定超参数并初始化深度学习模型；步骤S2、对所述深度学习模型进行多批次的迭代训练，且在每个迭代批次中依次执行步骤S21-步骤S23；步骤S21、根据所述深度学习模型在前向传播过程中得到的特征向量，计算当前迭代批次内每一类别物体的类内中心，并累计更新所述类内中心；步骤S22、计算当前迭代批次的交叉熵损失函数值和类间损失函数值；步骤S23、判断当前迭代批次是否达到预先设定的批次数N；若未达到，则计算当前迭代批次的第一总损失函数，并将所述第一总损失函数进行梯度反向传播，更新模型参数，回到步骤S2进行新一轮的训练；第一总损失函数由类间损失函数AM-Softmax函数与交叉熵损失函数Cross-Entropy组成；若达到，则计算当前迭代批次的类内损失函数值，并且结合所述第一总损失函数和所述类内损失函数值，计算第二总损失函数值，并将所述第二总损失函数值进行梯度反向传播，更新模型参数，进入步骤S3；步骤S3、判断所述深度学习模型是否收敛，若未收敛，则回到步骤S2重新进行迭代训练，直到模型收敛；若收敛，则输出模型；所述第二总损失函数的表达式为：Loss＝αLoss1+β·TrucLoss2-ε+γLosscross-entropy3公式3中，α、β和γ均表示为加权系数，Loss1表示为所述类间损失函数，Losscross-entropy表示为所述交叉熵损失函数，Loss2表示为所述类内损失函数，ε为余弦空间中确定类别的紧致系数，Trucx表示为分段函数，其表达式为：

全文数据：

权利要求：

百度查询： 东南大学 一种基于余弦空间优化的图像分类损失函数的设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD