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：西北农林科技大学

摘要：本发明公开了一种基于无训练开集模拟器的开集识别方法及系统，涉及于图像分类技术领域，包括采集原始图片，构建无训练开集模拟器，对已知类图像实施局部退化操作，模拟生成未知样本；构建多变换特征提取模型，提取训练集中的已知类图像和生成的未知类样本的判别性特征；将判别性特征输入基于原型学习的特征提取器和分类器进行训练。本发明提供的基于无训练开集模拟器的开集识别方法，通过低通滤波去除图像的高频信息，将表示图像内容的低频信息的特征作为多变换特征的一部分，增强识别准确性，构建未知样本进行图像翻转不会出现较大的图像差异，提高了模型的泛化能力，使其在面对现实世界中多变和未知的数据时表现更加稳定。

主权项：1.一种基于无训练开集模拟器的开集识别方法，其特征在于，包括：采集原始图片，构建无训练开集模拟器，对已知类图像实施局部退化操作，模拟生成未知样本；构建多变换特征提取模型，提取训练集中的已知类图像和生成的未知类样本的判别性特征；将判别性特征输入基于原型学习的特征提取器和分类器进行训练；所述模拟生成未知样本包括采集原始图片后模拟生成未知样本包括基于局部加噪的未知样本生成方法、基于局部擦除的未知样本生成方法以及基于局部马赛克的未知样本生成方法；所述基于局部加噪的未知样本生成方法包括以原始输入图像的中心点为中心，在图像上选取一个边长为R的正方形区域，其中HR、WR取介于1.1到1.2之间的随机数，在正方形区域内生成服从均值为0、方差为1的高斯分布的噪声值，并将正方形区域以外的其他区域的值置为0，将局部噪声叠加到原始输入图像上，基于局部加噪的未知样本生成表示为： 其中，xi表示原始输入图像，尺寸为H、W，NoiselocalR表示在原图上叠加的局部噪声，K表示已知类别的总类别数，K+1表示生成样本对应的标签为未知类别；所述基于局部擦除的未知样本生成方法包括设待擦除的局部正方形区域的边长为R，HR、WR是介于1.5到2之间的随机数，将正方形区域的像素置为0，其余区域的像素置为1，与原始输入图像进行逐元素相乘，表示为： 其中，MasklocalR表示擦除掩码，⊙表示逐元素相乘；所述基于局部马赛克的未知样本生成方法包括对局部马赛克掩码，在原图上生成一个边长为R的局部正方形区域，且HR、WR为介于1.1到1.2之间的随机数，在局部正方形区域内，均匀生成边长为G的网格，将各个网格内每个像素点的值置为网格内像素点的均值，生成局部马赛克掩码，将生成的局部马赛克掩码和基于局部擦除的未知样本相加，形成基于局部马赛克掩码的未知样本，表示为： 其中，MosaiclocalR,G表示在原图上叠加的局部马赛克掩码；所述提取训练集中的已知类图像和生成的未知类样本的判别性特征包括对未知样本进行频域变换，采用基于离散余弦变换的低通滤波进行频域变换，表示为： 其中，Cu,v表示DCT变换系数的阵列元素，u、v是变换域的坐标，fx,y表示二维图像信号在空间域上的数值，x、y是空间域的坐标；所述提取训练集中的已知类图像和生成的未知类样本的判别性特征还包括对未知样本进行位置变换，水平翻转通过沿着垂直中轴线翻转图像像素，图像中的物体在水平方向上呈镜像对称，垂直翻转将图像像素沿水平中轴线翻转，创造上下对称的视角；所述将判别性特征输入基于原型学习的特征提取器和分类器进行训练包括利用无训练开集模拟器生成的未知样本和已知类数据共同训练类别原型和网络参数，通过训练过程中引入未知类别样本将封闭集训练转换为开集训练，损失函数表示为：Lfirst_step＝Lclose+α·Lopen其中，Lclose和Lopen分别表示闭集分类损失和开集分类损失，α表示开集分类损失在损失函数中所占的比例，样本特征与不同类别原型之间的距离反映分配给样本属于当前类别的概率，进行分配概率计算；所述进行分配概率计算包括样本x属于类别k的概率表示为： 其中，f·表示从输入样本x提取特征的特征提取器网络，P表示可训练的类别原型，P+代表着对应于输入样本x类别的原型，K是已知类别的类别总数，d·表示点积距离计算公式；将Lclose设定为基于真实类别k的负对数概率的分类损失，表示为：Lclose＝-logSkLopen表示为： 其中，表示未知类别特征属于类别k的概率；所述将判别性特征输入基于原型学习的特征提取器和分类器进行训练还包括在训练过程中保留模型的封闭集分类能力，使用已知类别样本对模型参数进行微调表达为：Lsecond_step＝Lclose完成微调后，准备数据集，进行训练。

全文数据：

权利要求：

百度查询： 西北农林科技大学 一种基于无训练开集模拟器的开集识别方法及系统