CN119445263A 基于持续自适应知识空间的图像分类方法 （西南财经大学）

本发明公开了基于持续自适应知识空间的图像分类方法，属于计算机视觉和图像分类领心到未更新前的知识空间中所有超球的第二距2根据表征向量对应的真实标签将表征向量划分为正表征向量集和负根据质心和质心的半径构建已知样本的知识空间，将已知样本的在自适应知识空间中，计算当前图像分类任务中每个已知类别的构建当前图像分类任务的提示池，提示池中的提计算嵌入表示与提示池中键的相似度距离，从提示基于图像分类模型对表征向量进行分类处理，根据分类结果与真实标签值根据表征向量、质心和半径计算类平均边距损失函数，根据类平均计算嵌入表示与多个相似键的平均距离损失，基于图根据基于数据增强范式的损失函数和类平均边距损失函数得到当前图像分类任务最3在自适应知识空间中，计算表征向量与未更新前的知对未知样本进行聚类处理，得到每个聚类簇的质心和半径，并为4存储空间的限制成为一个关键问题。对未知图像样本进行长时间的存储显然是不现实的，根据表征向量对应的真实标签将表征向量划分为正表征向量集和负表征向量集，的知识空间中所有超球的第二距离；根据第二距离判断超球的质心是否落在伪标签超球5根据基于数据增强范式的损失函数和类平均边距损失函数得到当前图像分类任6述术语在本发明中的具体含义。丁，并将这些补丁展平为向量形式；位置编码模块负责编码序列中每个位置的信息；7丁嵌入模块即可获取当前图像分类任务的输入图像的嵌[0025]具体地，通过特征提取模型获取输入图像的嵌入表示的表征向量，如基于Transformer的图像处理模型，本示例使用基于ImageNet_1k数据集预训练的视觉转换器模块即可获取输入图像的嵌入表示的表征向量，即图像补丁嵌入模块将图像补丁展平为一维向量，并将该一维向量转换为固定维度的嵌入向量，得到输入图像的嵌入表示的表征向量。8集(kt,v')并用均匀分布执行初始化操作：;;;即所有可能的取值皆具有相同的概率。除此之外，还可选择零初始化、正态分布随机初始头采用均匀分布初始化：;量空间R196x768，然后拼接一个额外的大小为1x768的[class]编码（分类标记）并加上197x768的位置编码EP，经过随机失活层获得输入样本集xt最终的嵌入表示ht，即:;9（前K个最值算法）从当前任务的提示池(kt,v')[0040]a.根据嵌入表示hf=(hf,…,hf,…hf}，使用余弦相似度距离度量方法计算hf(i=1,…,I)和提示池(kt,v')中存储的键的距离，本发明中图像嵌入表示hf(i=1,…,I)和kt直接可计算余弦相似度距离：;;;量ht：,其中fpr为ViT模型中的编码器（参数冻结包括位置[0046]在已获得的提示增强的表征向量ht和对应的真实标签的基础上，可以构建已知类别集合的质心{cf,…,c⃞,…,c}，N为类别数。针对每个类别C⃞ecLS,,n=(1,2,.…,N)，输入训练样本集xt被划分为正样本集和;;;;之间的差别计算分类损失函数，根据分类损失函数对图像分类模型进行反向传播优化处[0058]A.计算嵌入表示ht和提示池(kt,v')中相似键k*的平均距离损失，计算表达式;[0060]C.根据平均距离损失L1和分类损失LZ，构建基于提示的数据增强范式的损失函;径，计算任务st中所有类c⃞(n=1,2,…,N)的类平均边距损失函数;,(,v)初始为空。[0067]先根据优化后的质心和半径构建每个类别的知识空间，即已知样本的知识空间;[0069]其中，等式左侧(CLS,C,R)为更新后的自适应知识空间，等式右侧(CLS,C,R)为[0071]先根据自适应知识空间(CLS,C,R)，计算当前任务st中每个已知样本的质心;其中为超球(c$,c$,r:)中质心ct到c中所有质心的距[0072]再根据计算获得的距离D:，假设空。[0078]S50：根据表征向量对应的真实标签将表征向量划分为正表征向量集和负表征向据基于数据增强范式的损失函数和类平均边距损失函数得到当前图像分类任务最终的优[0084]根据上述优选方法对图像分类模型进行训练后，利用该模型进行未知检测和分