(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111639517.1 (22)申请日 2021.12.2 9 (71)申请人 安徽大学 地址 230601 安徽省合肥市经开区九龙路 111号 (72)发明人 田野　石子睿　杨尚尚　张兴义　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 代理人 陆丽莉　何梅生 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种基于梯度引导的进化算法的图像识别 方法 (57)摘要 本发明公开了一种基于梯度引导的进化算 法的图像识别方法， 其步骤主要包括： 1、 获取图 像样本构建训练样本数据集； 2、 初始化父代种 群， 对其在交配选 择过程中使用gSBX算子来获得 子代种群， 将父代种群加入子代种群中并对子代 种群进行非支 配排序， 从排序好的种群中选取前 若干个个体作为最优个体种群； 3、 从最优个体种 群中删去被支配的解， 使用稀疏随机梯度法SGD 对种群中剩余的每个个体的权重变量微调， 在该 种群的Pareto前沿面上的拐点区域选择一个个 体的属性集作为最终训练模型的变量。 本发明通 过进化算法优化图像识别模型， 从而能提升模型 在图像识别上的精确度， 并减少神经网络的训练 成本和内存用量。 权利要求书3页 说明书8页 附图3页 CN 114220127 A 2022.03.22 CN 114220127 A 1.一种基于梯度引导的进化 算法的图像识别方法， 其特 征是按照如下步骤进行： 步骤一、 获取T个 图像样本及其类别标签， 并根据每个图像样本的类别标签， 提取每个 图像样本对应的属性特征， 从而得到 图像样本集 其中， xt表示第t个图像样 本的属性特征， yt表示第t个图像样 本的真实类别标签， (xt,yt)表示第t个图像的样 本数据， t＝1,2,…,T； 定义最大迭代次数为GEN， 当前迭代次数为gen， 并初始化gen ＝1； 步骤二、 设种群大小为N， 定义第gen代种群集合记为 表示第gen代种群中的第i个 个体； 定义第gen代种群中的每个个体的属性包括： R个权重变量、 梯度和两个待优化目标； 其 中， 待优化目标分别是损失函数值和模型复杂度； 初始化第gen代种群中的每 个个体的R个权 重变量为随机值； 初始化第gen代种群中的每 个个体的梯度集 合为空集； 步骤2.1、 创建一个包 含R个权重变量的图像识别模型Model1， 初始化i＝1； 步骤2.2、 用第gen代种群Pgen中第i个体 的R个权重变量替换图像识别模型Model1中 的R个权重变量得到替换后的图像识别模型Model ′1， 将图像样本集L中的样本数据作为替 换后的图像识别模型Model ′1的输入， 并得到预测类别标签集 其中， y′t表示所述图 像识别模型Model ′1在第t个图像的样本数据(xt,yt)上的预测类别标签； 步骤2.3、 将所述预测类别标签集 与所述真实类别标签集 传入损失函数中， 从而得到第gen代种群c中第i个体 在图像样本集L上的损失函数值Loss， 然后统计第gen 代种群Pgen中第i个体 的非0变量数作为对应 个体的模型复杂度； 步骤2.4、 根据所述图像识别模型Model1的损失函数值计算梯度 表示第gen代 种群Pgen中第i个个体 的第r个权重变量的梯度， 然后用梯度 替换第gen代种群Pgen 的第i个个体 的梯度集 合， r∈[1,R]； 步骤2.5、 将i+1赋值给i， 判断i<N是否成立， 若成立， 则返回步骤2.2顺序执行， 否则， 表 示第gen代种群Pgen中的每个个体完成图像样本集L的 图像特征信息 的学习， 并执行步 骤2.6； 步骤2.6、 使用二元锦标赛选择算法从所有完成学习后的第gen代种群P ′gen中选择N个 个体作为交配池M1， 同时创建一个空的第gen代子代种群Zgen； 步骤2.7、 从交配池M1中随机选取两个个体q1和q2， 并从交配池M1中同时删除， 使用gSBX 算子对所选取的两个 个体q1和q2进行交叉操作： 步骤2.7.0、 定义十个参数η、 λ、 μ1、 μ2、 k1、 k2、 β1、 β2、 α1、 α2， 其中， η为图像特征信息 的均值 λ是在每个维度上由均匀分布U[0,1]采样得到的常数， μ1、 μ2是由权重变量和 梯度信息决定的两个随机数， β1、 β2、 α1、 α2均为中间变量；权　利　要　求　书 1/3 页 2 CN 114220127 A 2定义 为第1个个体q1的第j个权重变量， 为第1个个体q1的第j个梯度， 为第2个个 体q2的第j个权 重变量， 为第2个个体q2的第j个梯度， 并初始化j＝1； 定义z1为第1个子代个 体， 并初始化第1个子代个 体z1的权重变量集合为空集； 定义z2为第2个子代个 体， 并初始化第2个子代个 体z2的权重变量集合为空集； 步骤2.7.1、 计算 若k1＞0， 则 μ1在[0,0.5]中随机取值， 若 k1＜0， 则 μ1在 (0.5,1]中随机取值， 若k1＝0， 则 μ1在[0,1]中随机取值； 步骤2.7.2、 计算 若k2＜0， 则 μ2在[0,0.5]中随机取值， 若k2＞0， 则 μ2在 (0.5,1]中随机取值， 若k2＝0， 则 μ2在[0,1]中随机取值； 步骤2.7.3、 若第l个随机数 μl≤0.5， 则计算中间变量 否则， 计算中间变量 其中， l＝1,2； 步骤2.7.4、 对两个中间变量β1, β2进行变量代换： 若λ≤0.5且 且 则令α1＝‑β2‑1， α2＝‑β1‑1， 否则， 令α1＝ β1‑1， α2＝β2‑1； 步骤2.7.5、 对两个中间变量α1, α2补正： 若第l个个体ql的第j个权 重变量 则令αl＝0， 否则， αl保持不变， 其中， l ＝1,2； 步骤2.7.6、 计算第1个子代 个体z1的第j个权重变量 第2个子代 个体z2的第j个权 重变量 步骤2.7.7、 将j+1赋值给j， 若j≤R成立， 则返 回步骤2.7.1顺序执行， 否则， 表示两个子 代个体z1、 z2的所有权 重变量已经 更新完成， 并执 行步骤2.8； 步骤2.8、 将权 重变量更新完成的两个子代个 体z1、 z2加入第gen代子代种群Zgen； 步骤2.9、 判断交配池M1是否为空， 且第gen代子代种群Zgen中的个体数是否达到N， 若均 是， 则执行步骤2.10， 否则， 返回步骤2.7顺序执 行； 步骤2.10、 以图像样本集L作为输入， 计算第gen代子代种群Zgen中的每个个体 的损 失函数值和模型复杂度； 步骤2.11、 根据NSGA ‑II的环境选择策略对第gen代父代种群Pgen和子代种群Zgen进行排 序选择， 从而得到 选择完成的第gen代新的种群 步骤2.12、 将gen+1赋值给gen后， 判断gen>GEN是否成立， 若成立， 则根据NSGA ‑II的支 配关系从第GEN代新的种群 中删去被支配的个体， 得到 最终种群Pfinal， 否则， 将第gen ‑1 代新的种群 赋值给第gen代种群Pgen后， 返回步骤2.1顺序执 行； 步骤三、 令最终种群Pfinal中个体数目为n， 令 表示最终种群Pfinal的第m个个体， 初 始 化m＝1； 步骤3.1、 将图像识别模型Model ′1的R个权重变量 替换为第m个个体 的R个权 重变量， 从而得到更新后的图像识别模型Model ″1；权　利　要　求　书 2/3 页 3 CN 114220127 A 3