公开(公告)号：CN119540658A

公开(公告)日：2025-02-28

申请号：CN202510086418.7

申请日：2025-01-20

Applicant: 中南大学

Inventor： 刘锦 ,  徐帅 ,  王建新 ,  曲哲 ,  吕小毅

IPC: G06V10/764 ,  G06N3/0499 ,  G06V10/20 ,  G06V10/44 ,  G06V10/774 ,  G06V10/778 ,  G06V10/82

Abstract: 本发明实施例中提供了一种面向长尾图像识别模型的训练方法，属于数据处理技术领域，具体包括：分别使用平衡采样策略和随机采样策略采样图片，并对随机采样图片进行数据增强，得到第一样本；执行CamMix操作得到第二样本；将第一样本和第二样本输入主干网络得到样本特征；得到交叉熵损失，并将线性分类器中的参数作为未经过L2归一化的原型特征；将原型特征和样本特征经过多层感知机网络得到L2归一化的特征，并将其输入到原型解耦对比学习损失函数中得到对比损失；结合交叉熵损失和对比损失得到总损失函数并据此指导主干网络训练，得到长尾图像识别模型。通过本发明的方案，提高了模型识别精准度和鲁棒性。

公开(公告)号：CN119540658B

公开(公告)日：2025-04-11

申请号：CN202510086418.7

申请日：2025-01-20

Applicant: 中南大学

Inventor： 刘锦 ,  徐帅 ,  王建新 ,  曲哲 ,  吕小毅

IPC: G06V10/764 ,  G06N3/0499 ,  G06V10/20 ,  G06V10/44 ,  G06V10/774 ,  G06V10/778 ,  G06V10/82

Abstract: 本发明实施例中提供了一种面向长尾图像识别模型的训练方法，属于数据处理技术领域，具体包括：分别使用平衡采样策略和随机采样策略采样图片，并对随机采样图片进行数据增强，得到第一样本；执行CamMix操作得到第二样本；将第一样本和第二样本输入主干网络得到样本特征；得到交叉熵损失，并将线性分类器中的参数作为未经过L2归一化的原型特征；将原型特征和样本特征经过多层感知机网络得到L2归一化的特征，并将其输入到原型解耦对比学习损失函数中得到对比损失；结合交叉熵损失和对比损失得到总损失函数并据此指导主干网络训练，得到长尾图像识别模型。通过本发明的方案，提高了模型识别精准度和鲁棒性。