一种基于卷积神经网络的图像开放集识别方法

1.一种基于卷积神经网络的图像开放集识别方法，其特征在于，包括以下步骤：步骤1，利用CNN模型对图像训练集进行处理，使用SoftMax层生成的深度特征作为激活向量；步骤2，计算每个类的平均激活向量，并将平均激活向量作为每个类的中心；步骤3，计算出类内点与每个类中心的距离，并通过每个类的距离分布设置阈值；步骤4，确定目标样本是否为未知类别；在步骤1中，使用由所述的CNN模型的logits层来生成模型所需要的特征，形成SoftMax层，对所述的CNN模型中提取的特征进行归一化指数变换，变换公式为：其中，σ(z) j 表示SoftMax层的第j个分量，z j ，z k 分别表示logits层第j个分量和第k个分量，经过CNN模型的处理，得到每个训练样本点的激活向量。 2.根据权利要求1所述的图像开放集识别方法，其特征在于，在步骤2中，对于每一个已知类，计算了真实标签和预测标签都等于类标签的样本之间的平均激活向量，将平均激活向量作为类的中心。 3.根据权利要求1或2所述的图像开放集识别方法，其特征在于，步骤3包括以下步骤：步骤301，对于训练集中已知样本，计算类中心与样本之间的欧氏距离；步骤302，把每个样本计算出来的距离按各自类别集合起来，得到距离的统计分布；步骤302,设置距离分布的阈值τ；设 为距离分布均值，σ为标准差，在实验阶段，通过穷举得到阈值τ，在测试阶段，根据测试集中开放数据所占百分比将阈值设置在 内。 4.根据权利要求3所述的图像开放集识别方法，其特征在于，在步骤4中，对于空间中任意样本x∈S，以及每一个类别中心mAV i ，i＝1,2,…,M，如果， 则可以得到x∈O，其中，O表示开放空间，AV x 为x的激活向量，mAV i 为第i个类别中心的激活向量。 5.根据权利要求3所述的图像开放集识别方法，其特征在于，所述的CNN模型为GoogleNet_v3模型。 6.根据权利要求5所述的图像开放集识别方法，所述的GoogleNet_v3模型的可训练层为Logits层和AuxLogits层，参数更新方法为RMSProp方法，步长为0.0001，批尺寸为32，最大迭代步为6000。