图像分类方法及装置、分类网络训练方法及装置制造方法及图纸

本公开涉及一种图像分类方法及装置、分类网络训练方法及装置，所述图像分类方法，包括：提取待处理图像的第一特征图；根据分割系数对第一特征图进行分割，获取分割后的第二特征图组；对第二特征图进行融合处理，获得第一特征向量；将第一特征向量输入至分类网络，得到分类结果，根据分类结果对待处理图像进行分类。根据本公开的实施例的图像分类方法，可通过分割系数和待处理图像的第一特征图，获得第二特征图，并对第二特征图进行融合，获得第一特征向量，可获取到更多特征信息，从而根据特征分类时能够提高分类准确度，且经过融合处理，既可保留各第二特征图的特征信息，使得特征信息丰富，又可减少信息冗余，提升处理效率。

Image classification method and device, classification network training method and device

The present disclosure relates to an image classification method and device, a classification network training method and device. The image classification method includes: extracting the first feature map of the image to be processed; segmenting the first feature map according to the segmentation coefficient to obtain the second feature map group after segmentation; fusing the second feature map to obtain the first feature vector; inputting the first feature vector To the classification network, the classification results are obtained, and the processed images are classified according to the classification results. According to the image classification method according to the embodiment of the present disclosure, the second characteristic image can be obtained through the segmentation coefficient and the first characteristic image of the image to be processed, and the second characteristic image can be fused, the first characteristic vector can be obtained, and more characteristic information can be obtained, so that the classification accuracy can be improved according to the feature classification, and after the fusion processing, the characteristics of each second characteristic image can be retained Feature information makes feature information rich, reduces information redundancy and improves processing efficiency.

【技术实现步骤摘要】
图像分类方法及装置、分类网络训练方法及装置
本公开涉及计算机
，尤其涉及一种图像分类方法及装置、分类网络训练方法及装置。
技术介绍
在相关技术中，神经网络在提取图像中的目标对象的特征时，将目标对象作为一个整体进行特征提取，但目标对象的相貌、姿态、在图像中所占比例、背景复杂程度、目标对象在图像中的完整程度等因素均可能影响提取结果，造成对图像分类的精确度较低。
技术实现思路
本公开提出了一种图像分类方法及装置、分类网络训练方法及装置。根据本公开的一方面，提供了一种图像分类方法，包括：提取待处理图像的第一特征图；根据至少一个分割系数对所述第一特征图进行分割，获取分别根据每一个所述分割系数分割后得到的第二特征图组，所述第二特征图组中包括至少一个第二特征图；对各所述第二特征图组中的第二特征图进行融合处理，获得与各所述分割系数对应的第一特征向量；将所述第一特征向量分别输入至对应的分类网络，得到每一个分类网络对应的分类结果，根据所有分类网络得到的分类结果对所述待处理图像进行分类。根据本公开的实施例的图像分类方法，可通过分割系数和待处理图像的第一特征图，获得第二特征图，并对第二特征图进行融合处理，获得至少一个第一特征向量，可获得待处理图像的至少一类特征，使得获取到更多特征信息，从而根据特征分类的时候能够提高分类准确度，且经过融合处理，即可保留各第二特征图的特征信息，使得特征信息丰富，又可减少信息冗余，减少对处理资源的占用，提升处理效率。在一种可能的实现方式中，对各所述第二特征图组中的第二特征图进行融合处理，获得与各分割系数对应的第一特征向量，包括：对第二目标特征图组中的至少一个第二特征图进行第一降维处理，所述第二目标特征图组为所述第二特征图组中的任意一个或多个特征图组；根据所述第一降维处理后的各第二特征图组，获得与各分割系数对应的第一特征向量。在一种可能的实现方式中，根据所述第一降维处理后的各第二特征图组，获得与各分割系数对应的第一特征向量，包括：对第一降维处理后的各第二特征图组中的第二特征图分别进行拼接处理，分别获得第三特征图；将所述第三特征图进行第二降维处理，获得与各分割系数对应的所述第一特征向量。在一种可能的实现方式中，所述分类网络分别分布在不同的处理器上。通过这种方式，可减少每个处理器的资源占用，降低分类处理的复杂度，避免单个处理资源无法满足处理需求的情况。在一种可能的实现方式中，所述分割系数包括分割数量和分割重叠度，所述分割数量表示将第一特征图分割后的特征的数量，所述分割重叠度表示将第一特征图分割后的特征之间的重叠度。根据本公开的一方面，提供了一种分类网络训练方法，包括：将样本图像输入特征提取网络，获得所述样本图像的第一训练特征图；根据至少一个分割系数对所述第一训练特征图进行分割，获得分别根据每一个所述分割系数分割后得到的第二训练特征图组，所述第二训练特征图组中包括至少一个第二训练特征图；对各所述第二训练特征图组中的第二训练特征图进行融合处理，获得与各所述分割系数对应的第一训练特征向量；根据所述与各分割系数对应的第一训练特征向量，训练至少一个分类网络，其中，各所述分类网络分别与各所述第一训练特征向量对应。在一种可能的实现方式中，根据所述与各分割系数对应的第一特征向量，训练至少一个分类网络，包括：将所述各第一训练特征向量分别输入至对应的分类网络，分别获得各所述分类网络的分类结果；根据各所述分类网络的分类结果以及所述样本图像的标注信息，分别确定与各所述分类网络对应的网络损失；根据与各所述分类网络对应的网络损失，调整各所述分类网络及所述特征提取网络的网络参数。在一种可能的实现方式中，根据与各分类网络对应的网络损失，调整各分类网络及特征提取网络的网络参数，包括：分别根据与各分类网络对应的网络损失，调整各分类网络的网络参数；根据与各分类网络对应的网络损失，调整所述特征提取网络的网络参数。通过这种方式，可分别根据各分类网络的网络损失来训练各分类网络，可使各分类网络的训练相互独立，可将各分类网络的训练通过多个处理资源来完成，减轻每个处理资源的资源占用，降低训练的复杂程度，避免单个处理资源无法满足训练需求的情况。在一种可能的实现方式中，根据与各分类网络对应的网络损失，调整所述特征提取网络的网络参数，包括：对与各分类网络对应的网络损失进行加权求和，获得所述特征提取网络的网络损失；根据所述特征提取网络的网络损失，调整所述特征提取网络的网络参数。根据本公开的一方面，提供了一种图像分类装置，包括：第一提取模块，用于提取待处理图像的第一特征图；第一分割模块，用于根据至少一个分割系数对所述第一特征图进行分割，获取分别根据每一个所述分割系数分割后得到的第二特征图组，所述第二特征图组中包括至少一个第二特征图；第一融合模块，用于对各所述第二特征图组中的第二特征图进行融合处理，获得与各所述分割系数对应的第一特征向量；分类模块，用于将所述第一特征向量分别输入至对应的分类网络，得到每一个分类网络对应的分类结果，根据所有分类网络得到的分类结果对所述待处理图像进行分类。在一种可能的实现方式中，所述第一融合模块被进一步配置为：对第二目标特征图组中的至少一个第二特征图进行第一降维处理，所述第二目标特征图组为所述第二特征图组中的任意一个或多个特征图组；根据所述第一降维处理后的各第二特征图组，获得与各分割系数对应的第一特征向量。在一种可能的实现方式中，所述第一融合模块被进一步配置为：对第一降维处理后的各第二特征图组中的第二特征图分别进行拼接处理，分别获得第三特征图；将所述第三特征图进行第二降维处理，获得与各分割系数对应的所述第一特征向量。在一种可能的实现方式中，所述分类网络分别分布在不同的处理器上。在一种可能的实现方式中，所述分割系数包括分割数量和分割重叠度，所述分割数量表示将第一特征图分割后的特征的数量，所述分割重叠度表示将第一特征图分割后的特征之间的重叠度。根据本公开的一方面，提供了一种分类网络训练装置，包括：第二提取模块，用于将样本图像输入特征提取网络，获得所述样本图像的第一训练特征图；第二分割模块，用于根据至少一个分割系数对所述第一训练特征图进行分割，获得分别根据每一个所述分割系数分割后得到的第二训练特征图组，所述第二训练特征图组中包括至少一个第二训练特征图；第二融合模块，用于对各所述第二训练特征图组中的第二训练特征图进行融合处理，获得与各所述分割系数对应的第一训练特征向量；训练模块，用于根据所述与各分割系数对应的第一训练特征向量，训练至少一个分类网络，其中，各所述分类网络分别与各所述第一训练特征向量对应。在一种可能的实现方式中，所述训练模块被进一步配置为：将所述各第一训本文档来自技高网...

【技术保护点】
1.一种图像分类方法，其特征在于，所述方法包括：/n提取待处理图像的第一特征图；/n根据至少一个分割系数对所述第一特征图进行分割，获取分别根据每一个所述分割系数分割后得到的第二特征图组，所述第二特征图组中包括至少一个第二特征图；/n对各所述第二特征图组中的第二特征图进行融合处理，获得与各所述分割系数对应的第一特征向量；/n将所述第一特征向量分别输入至对应的分类网络，得到每一个分类网络对应的分类结果，根据所有分类网络得到的分类结果对所述待处理图像进行分类。/n

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：
提取待处理图像的第一特征图；
根据至少一个分割系数对所述第一特征图进行分割，获取分别根据每一个所述分割系数分割后得到的第二特征图组，所述第二特征图组中包括至少一个第二特征图；
对各所述第二特征图组中的第二特征图进行融合处理，获得与各所述分割系数对应的第一特征向量；
将所述第一特征向量分别输入至对应的分类网络，得到每一个分类网络对应的分类结果，根据所有分类网络得到的分类结果对所述待处理图像进行分类。


2.根据权利要求1所述的方法，其特征在于，对各所述第二特征图组中的第二特征图进行融合处理，获得与各分割系数对应的第一特征向量，包括：
对第二目标特征图组中的至少一个第二特征图进行第一降维处理，所述第二目标特征图组为所述第二特征图组中的任意一个或多个特征图组；
根据所述第一降维处理后的各第二特征图组，获得与各分割系数对应的第一特征向量。


3.根据权利要求2所述的方法，其特征在于，根据所述第一降维处理后的各第二特征图组，获得与各分割系数对应的第一特征向量，包括：
对第一降维处理后的各第二特征图组中的第二特征图分别进行拼接处理，分别获得第三特征图；
将所述第三特征图进行第二降维处理，获得与各分割系数对应的所述第一特征向量。


4.根据权利要求1-3中任一项所述的方法，其特征在于，所述分类网络分别分布在不同的处理器上。


5.根据权利要求1-3中任一项所述的方法，其特征在于，所述分割系数包括分割数量和分割重叠度，所述分割数量表示将第一特征图分割后的特征的数量，所述分割重叠度表示将第一特征图分割后的特征之间的重叠度。


6.一种分类网络训练方法，其特征在于，包括：
将样本图像输入特征提取网络，获得所述样本图像的第一训练特征图；
根据至少一个分割系数对所述第一训练特征图进行分割，获得分别根据每一个所述分割系数分割后得到的第二训练特征图组，所述第二训练特征图组中包括至...

【专利技术属性】
技术研发人员：邓晗，张学森，伊帅，闫俊杰，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11