改进DCL的花卉子类细粒度分类算法

针对现有的单一细粒度识别模型不能识别无训练样本花卉子类这一实际情况,结合DCL与KNN提出了一种将细粒度特征映射到高维空间自动分类的方法,实现无训练样本的子类分类。同时针对同一花卉子类特征较为相似且可能存在类间样本不均衡问题,改进了DCL模型的损失函数(focal loss),通过对比损失(contrastive loss)加大子类的类间距,用focal loss平衡类别损失。最后在308类样本不均衡的牡丹花上进行实验。实验结果表明:改进算法后有训练样本的子类准确率为0.932,F1值为0.925,较原始DCL算法有了较大的提升,对未训练样本的子类准确率为0.903,F1值为0.888。