基于SuperPoint特征的图像分类网络制造技术

技术编号:22168367 阅读:30 留言:0更新日期:2019-09-21 11:12
本申请提供了一种基于SuperPoint特征的图像分类网络。该所述基于SuperPoint特征的图像分类网络包括编码层、解码层和全连接层,所述编码层,用于对输入的待分类图像进行编码,输出目标特征图,并将所述目标特征图输入至所述解码层;所述解码层,用于对输入的所述目标特征图进行特征描述,得到所述待分类图像的特征描述子,并将所述特征描述子输入所述全连接层;所述全连接层,用于对输入的所述特征描述子进行分类,得到所述待分类图像的分类结果。本申请能够实现在减少训练参数的前提下实现复杂图像的分类的技术效果。

Image classification network based on SuperPoint feature

【技术实现步骤摘要】
基于SuperPoint特征的图像分类网络
本申请涉及图像处理
,具体而言,涉及基于SuperPoint特征的图像分类网络。
技术介绍
目前传统图像分类算法所采用的特征大多数为人工设计,常用的图像特征有形状、纹理、颜色等底层视觉特征,还有尺度不变特征变换、局部二值模式、方向梯度直方图等局部不变特征等,这些特征虽然具有一定的普适性,但对具体的图像及图像所属的场景类型针对性不强,并且对于一些复杂场景的图像,要寻找能准确描述目标图像的人工特征绝非易事。例如,常见的传统分类器包括K最近邻(k-NearestNeighbor,KNN)、支持向量机(SVM,SupportVectorMachine)等传统分类器,而对于一些类别之间差异细微、图像干扰严重等问题,其分类精度大打折扣,即传统分类器非常不适合复杂图像的分类。然而采用复杂分类器如VGG(VisualGeometryGroup,视觉几何组)、ResNet(ResidualNeuralNetwork,残差网络)等,虽然可以适合复杂图像的分类,但是需要较大的训练参数来进行训练,不便于训练调试。
技术实现思路
有鉴于此,本申请实施例提供的基于SuperPoint特征的图像分类网络,能够在减少训练参数的前提下实现复杂图像的分类。第一方面,本申请实施例提供的一种基于SuperPoint特征的图像分类方法,用于通过基于SuperPoint特征的图像分类网络对图像进行分类,所述基于SuperPoint特征的图像分类网络包括编码层、解码层和全连接层,所述方法包括:将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子;将所述特征描述子输入所述全连接层对所述待分类图像进行分类,得到所述待分类图像的分类结果。在上述实现过程中,本申请通过将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子,再利用全连接层根据特征描述子进行分类,以得到待分类图像的分类结果,进而可以通过简单的基于SuperPoint特征的图像分类网络来实现复杂图像的分类,并且由于基于SuperPoint特征的图像分类网络简单,故可以有效减少训练参数,因此,能够实现在减少训练参数的前提下实现复杂图像的分类的技术效果。结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,所述将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子,包括:将待分类图像输入所述编码层进行编码,输出目标特征图;将所述目标特征图输入所述解码层对所述目标特征图进行特征描述,得到所述待分类图像的特征描述子。在上述实现过程中,通过利用基于SuperPoint特征的图像分类网络中的编码层提取特征图可以使得得到的特征图的鲁棒性更好,进而使得通过解码层得到特征描述子能够更加精确,进而提高图像分类精度。结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,所述将待分类图像输入所述编码层进行编码,输出目标特征图,包括:将待分类图像输入所述编码层进行第一预设处理,得到第一特征图;对所述第一特征图进行所述第一预设处理,得到第二特征图;对所述第二特征图进行所述第一预设处理,输出目标特征图。在上述实现过程中,通过利用基于SuperPoint特征的图像分类网络中的编码层进行特征图提取可以使得所提取到的特征图的鲁棒性更好。结合第一方面的第二种可能的实施方式,本申请实施例提供了第一方面的第三种可能的实施方式,所述第一预设处理包括第一卷积处理、激活处理和最大池化处理,所述将待分类图像输入所述编码层进行第一预设处理,得到第一特征图,包括:将待分类图像输入所述编码层进行所述第一卷积处理,得到卷积后的第一子特征图;通过预设激活函数对所述第一子特征图进行所述激活处理,得到第二子特征图;对所述第二子特征图进行所述最大池化处理,得到所述第一特征图。结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第四种可能的实施方式,所述将所述目标特征图输入所述解码层对所述目标特征图进行特征描述,得到所述待分类图像的特征描述子,包括:将所述目标特征图输入所述解码层,对所述目标特征图进行第二卷积处理,得到卷积后的第三特征图;通过预设激活函数对所述卷积后的第三特征图进行运算,得到第四特征图;对所述第四特征图进行第三卷积处理,得到所述待分类图像的特征描述子。结合第一方面,本申请实施例提供了第一方面的第五种可能的实施方式,所述全连接层包括第一子全连接层和第二子全连接层,所述将所述特征描述子输入所述全连接层对所述待分类图像进行分类,得到所述待分类图像的分类结果,包括:将所述特征描述子输入所述第一子全连接层,输出N维的第四特征图,所述N为大于1的整数;将所述N维的所述第四特征图输入所述第二子全连接层,得到所述待分类图像所属的每个预设类别的概率;确定所述每个预设类别的概率中的最大值;将所述最大值对应的所述预设类别作为分类结果。第二方面,本申请实施例提供的一种基于SuperPoint特征的图像分类装置,用于通过基于SuperPoint特征的图像分类网络对图像进行分类,所述基于SuperPoint特征的图像分类网络包括编码层、解码层和全连接层,所述装置包括:处理模块,用于将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子;分类模块,用于将所述特征描述子输入所述全连接层对所述待分类图像进行分类,得到所述待分类图像的分类结果。结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,所述处理模块,还用于:将待分类图像输入所述编码层进行编码,输出目标特征图;将所述目标特征图输入所述解码层对所述目标特征图进行特征描述,得到所述待分类图像的特征描述子。结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,所述将待分类图像输入所述编码层进行编码,输出目标特征图,包括:将待分类图像输入所述编码层进行第一预设处理,得到第一特征图;对所述第一特征图进行所述第一预设处理,得到第二特征图;对所述第二特征图进行所述第一预设处理,输出目标特征图。结合第二方面的第二种可能的实施方式,本申请实施例提供了第二方面的第三种可能的实施方式,所述第一预设处理包括第一卷积处理、激活处理和最大池化处理,所述将待分类图像输入所述编码层进行第一预设处理,得到第一特征图,包括:将待分类图像输入所述编码层进行所述第一卷积处理,得到卷积后的第一子特征图;通过预设激活函数对所述第一子特征图进行所述激活处理,得到第二子特征图;对所述第二子特征图进行所述最大池化处理,得到所述第一特征图。结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第四种可能的实施方式,所述将所述目标特征图输入所述解码层对所述目标特征图进行特征描述,得到所述待分类图像的特征描述子,包括:将所述目标特征图输入所述解码层,对所述目标特征图进行第二卷积处理,得到卷积后的第三特征图;通过预设激活函数对所述卷积后的第三特征图进行运算,得到第四特征图;对所述第四特征图进行第三卷积处理,得到所述待分类图像的特征描述子。结合第二方面,本申请实施例提供了第二方面的第五种可能的实施方式,所述全连接层包括第一子全连接层和第本文档来自技高网...

【技术保护点】
1.一种基于SuperPoint特征的图像分类方法,其特征在于,用于通过基于SuperPoint特征的图像分类网络对图像进行分类,所述基于SuperPoint特征的图像分类网络包括编码层、解码层和全连接层,所述方法包括:将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子;将所述特征描述子输入所述全连接层对所述待分类图像进行分类,得到所述待分类图像的分类结果。

【技术特征摘要】
1.一种基于SuperPoint特征的图像分类方法,其特征在于,用于通过基于SuperPoint特征的图像分类网络对图像进行分类,所述基于SuperPoint特征的图像分类网络包括编码层、解码层和全连接层,所述方法包括:将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子;将所述特征描述子输入所述全连接层对所述待分类图像进行分类,得到所述待分类图像的分类结果。2.根据权利要求1所述的方法,其特征在于,所述将待分类图像依次输入所述编码层和所述解码层,得到所述待分类图像的特征描述子,包括:将待分类图像输入所述编码层进行编码,输出目标特征图;将所述目标特征图输入所述解码层对所述目标特征图进行特征描述,得到所述待分类图像的特征描述子。3.根据权利要求2所述的方法,其特征在于,所述将待分类图像输入所述编码层进行编码,输出目标特征图,包括:将待分类图像输入所述编码层进行第一预设处理,得到第一特征图;对所述第一特征图进行所述第一预设处理,得到第二特征图;对所述第二特征图进行所述第一预设处理,输出目标特征图。4.根据权利要求3所述的方法,其特征在于,所述第一预设处理包括第一卷积处理、激活处理和最大池化处理,所述将待分类图像输入所述编码层进行第一预设处理,得到第一特征图,包括:将待分类图像输入所述编码层进行所述第一卷积处理,得到卷积后的第一子特征图;通过预设激活函数对所述第一子特征图进行所述激活处理,得到第二子特征图;对所述第二子特征图进行所述最大池化处理,得到所述第一特征图。5.根据权利要求2所述的方法,其特征在于,所述将所述目标特征图输入所述解码层对所述目标特征图进行特征描述,得到所述待分类图像的特征描述子,包括:将所述目标特征图输入所述解码层,对所述目标特征图进行第二卷积处理,得到卷积后的第三特征图;通过预设激活函数对所述卷积后的第三特征图进行运算,得到第四特征图;对所述第四特征图进行第三卷积处理,得到所述待分类图像的特征描述子。6.根据权利要求1所述的方法,其特征在于,所述全连接层包括第一子全连接层和第二子全...

【专利技术属性】
技术研发人员:岳昊嵩苗津毓陈伟海吴星明
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1