【技术实现步骤摘要】
一种图像处理方法及装置、设备、存储介质
本专利技术涉及图像处理技术，尤其涉及一种图像处理方法及装置、设备、存储介质。
技术介绍
目前的卷积神经网络(ConvolutionalNeuralNetwork，CNNs)对图像进行分类时，主要是针对单标签分类的，能够识别出图像中的某一个对象的类型例如：给定一张图像，判断这张图像中的物体是猫还是狗。随着图像处理技术的发展，提出了多标签分类的要求，比如：识别出图像中包括猫、狗、沙发等类型的对象。目前针对多标签分类的CNN的解决方案为：1、获取在数据库ImageNet1000类单分类上预训练的模型；2、去除模型最后一层的softmax分类器，替换成逻辑回归logitsticregression分类器；3、在多标签数据集上fine-tune模型进行精调。然而，随着网络的加深，网络的语意抽象变强了，但同时网络输出的空间分辨率变低，从而导致图片的细节丢失，存在分类不清楚的问题，很大程度上限制了物体分类的准确性，降低了用户的使用体验。
技术实现思路
本专利技术实施例提供了一种图像处理方法及装置、设备、存储介质。本专利技术实施例提供的图像处理...
【技术保护点】
1.一种图像处理方法，应用于电子设备，其特征在于，所述方法包括：对待处理图像进行特征提取，得到第一特征图和第二特征图，所述第二特征图的空间分辨率低于所述第一特征图；将所述第一特征图和所述第二特征图进行融合，得到融合特征图；对所述融合特征图进行分类，确定所述待处理图像所包括的对象的类型信息。
【技术特征摘要】
1.一种图像处理方法，应用于电子设备，其特征在于，所述方法包括：对待处理图像进行特征提取，得到第一特征图和第二特征图，所述第二特征图的空间分辨率低于所述第一特征图；将所述第一特征图和所述第二特征图进行融合，得到融合特征图；对所述融合特征图进行分类，确定所述待处理图像所包括的对象的类型信息。2.根据权利要求1所述的方法，其特征在于，基于第一特征提取层对所述待处理图像进行特征提取，得到所述第一特征图；基于第二特征提取层对所述待处理图像进行特征提取，得到所述第二特征图；基于融合层对将所述第一特征图和所述第二特征图进行融合，得到融合特征图；基于分类层对所述融合特征图进行分类，确定所述待处理图像所包括的对象的类型信息。3.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行特征提取，得到第二特征图包括：对所述第一特征图进行特征提取，得到所述第二特征图。4.根据权利要求3所述的方法，其特征在于，基于第一特征提取层对所述待处理图像进行特征提取，得到所述第一特征图；基于第三特征提取层对所述第一特征图进行特征提取，得到所述第二特征图；基于融合层对将所述第一特征图和所述第二特征图进行融合，得到融合特征图；基于分类层对所述融合特征图进行分类，确定所述待处理图像所包括的对象的类型信息。5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：对所述第一特征图进行优化处理，得到第一优化特征图；相应地，对所述第一特征图和所述第二特征图进行融合，得到融合特征图包括：对所述第一优化特征图和所述第二特征图进行融合得到融合特征图。6.根据权利要求5所述的方法，其特征在于，所述对所述第一特征图进行优化处理，得到第一优化特征图包括：对所述第一特征图进行特征选择处理，得到选择特征图；对所述选择特征图进行降维处理，得到所述第一优化特征图。7.根据权利要求5所述的方法，其特征在于，所述方法还包括：获取所述第一特征图的大小；根据所述第一特征图的大小确定特征选择卷积核的大小；根据所述特征选择卷积核的大小确定优化层；相应地，对所述第一特征图进行优化处理，得到第一优化特征图包括：基于所述优化层对所述第一特征图进行优化处理，得到第一优化特征图。8.根据权利要求1至4任一项所述的方法，其特征在于，在将所述第一特征图和所述...
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。