一种图像的分类方法、终端及计算机存储介质技术

本申请实施例公开了一种图像的分类方法，该方法应用于一终端中，包括：获取待分类图像，采用预先训练好的细粒度分类模型，对待分类图像进行分类，得到分类后的图像。本申请实施例还同时提供了一种终端及计算机存储介质。

An image classification method, terminal and computer storage medium

【技术实现步骤摘要】
一种图像的分类方法、终端及计算机存储介质
本申请涉及细粒度图像分类技术，尤其涉及一种图像的分类方法、终端及计算机存储介质。
技术介绍
细粒度图像分类技术是图像分类的一个分支，由于其类别都属于同一个大的类别，比如不同品种的狗都属于狗这一个大类，所以其类别直接的差异性比较小，但是存在背景和外形的多样性等导致类别之间仍然有很多的差异性。目前，图像细粒度分类方法大致可以分为以下几个分支：基于现有分类网络的微调、基于细粒度特征学习的方法、基于目标块的检测与分类结合的方法以及基于视觉注意力机制的方法，然而，上述方法主要集中通用分类算法的基础上进行改进的，目前分类算法最常用的损失函数为softmax，而softmax对于细粒度分类的类间区分度不高；由此可以看出，现有的采用细粒度图像分类算法导致图像分类的准确性较差。
技术实现思路
本申请实施例提供一种图像的分类方法、终端及计算机存储介质，能够提高图像分类的准确性。本申请的技术方案是这样实现的：本申请实施例提供了一种图像的分类方法，该方法应用于一终端中，包括：获取待分类图像；采用预先训练好的细粒度分类模型，对所述待分类图像进行分类，得到分类后的图像；其中，所述训练好的细粒度分类模型采用以下方式得到：根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集；其中，所述图像标签用于表征图像的类别；对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组；采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型。本申请实施例提供了一种终端，所述终端包括：获取模块，用于获取待分类图像；分类模块，用于采用预先训练好的细粒度分类模型，对所述待分类图像进行分类，得到分类后的图像；其中，所述训练好的细粒度分类模型采用以下方式得到：根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集；其中，所述图像标签用于表征图像的类别；对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组；采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型。本申请实施例还提供了一种终端，所述终端包括：处理器以及存储有所述处理器可执行指令的存储介质，所述存储介质通过通信总线依赖所述处理器执行操作，当所述指令被所述处理器执行时，执行上述一个或多个实施例所述图像的分类方法。本申请实施例提供了一种计算机存储介质，存储有可执行指令，当所述可执行指令被一个或多个处理器执行的时候，所述处理器执行上述一个或多个实施例所述图像的分类方法。本申请实施例提供了一种图像的分类方法、终端及计算机存储介质，该方法应用于一终端中，包括：获取待分类图像，采用预先训练好的细粒度分类模型，对待分类图像进行分类，得到分类后的图像，其中，训练好的细粒度分类模型采用以下方式得到：根据获取到的待训练图像集的图像标签，对待训练图像集的图像进行分组，得到分组后的待训练图像集；其中，图像标签用于表征图像的类别，对分组后的待训练图像集中图像提取特征向量，得到特征向量组，采用特征向量组对细粒度分类模型进行训练，以确定出细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到训练好的细粒度分类模型；也就是说，在本申请实施例中，通过采用预先训练好的细粒度分类模型对待分类图像进行分类，其中，训练好的细粒度分类模型是根据待训练图像集的图像标签对待训练图像集的图像进行分组并提取特征向量，采用特征向量组对细粒度分类模型进行训练，通过在模型中设置损失函数与目标函数，并在其取值最小时得到模型参数，从而得出训练好的细粒度分类模型，这样，通过在模型中设置损失函数与目标函数，使得得到的训练好的细粒度分类模型更加优化，在此基础上在进行图像分类时，提高了图像分类的准确性，进而提高了用户的体验。附图说明图1为本申请实施例提供的一种可选的图像的分类方法的流程示意图；图2为本申请实施例提供的一种可选的图像的分类方法的实例的流程示意图；图3为本申请实施例提供的一种终端的结构示意图一；图4为本申请实施例提供的一种终端的结构示意图二。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。实施例一本申请实施例提供了一种图像的分类方法，该方法应用于一终端中，图1为本申请实施例提供的一种可选的图像的分类方法的流程示意图，参考图1所示，上述图像的分类方法可以包括：S101：获取待分类图像；目前，图像的细粒度分类模型大致可以分为以下几个分支：基于现有分类网络的微调、基于细粒度特征学习的方法，基于目标块的检测与分类结合的方法以及基于视觉注意力机制的方法，其中，基于现有分类网络微调的方法通常使用现有的分类网络(例如：MobileNet，Xception等)在ImageNet上面进行初步训练得到一个训练好的分类模型，然后继续在细粒度的数据集上进行微调，使得模型能够更适用于区分子类别；基于细粒度特征学习的方法需要两个网络获取的信息结合，一个网络用来获取目标的位置信息，一个网络用于提取目标的抽象特征表达；基于目标块的检测与分类结合的细粒度分类方法借鉴了目标检测的思想，先通过目标检测模块将图像的目标区域框出来，然后基于目标区域进行细粒度分类，分类算法可以是传统的支持向量机(SVM，SupportVectorMachines)分类器或者通用的分类网络；基于注意力机制的细粒度分类算法相比于通用的分类算法添加了注意力机制，使得模型更加关注目标位置的信息表达。其中，上述方法主要集中通用分类算法的基础上进行改进的，目前分类算法最常用的损失函数为softmax，而softmax对于细粒度分类的类间区分度不高，存在以下缺点：第一，类间特征中心之间的距离较近，容易造成类间误分问题；第二，类内特征不够聚拢，导致多个类别之间的特征分布存在交叠，同样会造成类间误分；第三，添加检测模块的算法会引入复杂的运算，增加计算成本造成更多的时延；从而导致图像分类的准确度较低。为了提高图像分类的准确度，这里，终端先获取待分类图像，其中，待分类图像中可以包含待分类的对象，例如：狗，车，树之类的对象，针对狗，车，树的类别再进行细分，以分类出待分类图像中的狗，车，树。S102：采用预先训练好的细粒度分类模型，对待分类图像进行分类，得到分类后的图像；为了实现对待分类图像进行分类，这里，采用预先训练好的细粒度分类模型对待分类图像进行分类，其中，训练好的细粒度分类模型采用以下方式得到：根据获取到的待训练图像集的图像标签，对待训练图像集的图像进行分组，得到分组后的待训练图像集；对分组后的本文档来自技高网...

【技术保护点】
1.一种图像的分类方法，其特征在于，所述方法应用于一终端中，包括：/n获取待分类图像；/n采用预先训练好的细粒度分类模型，对所述待分类图像进行分类，得到分类后的图像；/n其中，所述训练好的细粒度分类模型采用以下方式得到：/n根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集；其中，所述图像标签用于表征图像的类别；/n对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组；/n采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型。/n

【技术特征摘要】
1.一种图像的分类方法，其特征在于，所述方法应用于一终端中，包括：
获取待分类图像；
采用预先训练好的细粒度分类模型，对所述待分类图像进行分类，得到分类后的图像；
其中，所述训练好的细粒度分类模型采用以下方式得到：
根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集；其中，所述图像标签用于表征图像的类别；
对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组；
采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型。


2.根据权利要求1所述的方法，其特征在于，所述根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集，包括：
将所述待训练图像集中的图像依次确定为第一图像；
针对所述第一图像，从除了所述第一图像以外的待训练图像集中，选取出第二图像和第三图像；其中，所述第二图像的图像标签与所述第一图像的图像标签相同，所述第三图像的图像标签与所述第一图像的图像标签不同；
利用所述第一图像，所述第二图像和所述第三图像构成一组，以得到所述分组后的待训练图像集；
相应地，所述对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组，包括：
对所述第一图像，所述第二图像和所述第三图像，分别采用所述细粒度分类模型提取出特征向量，得到所述第一图像的特征向量，所述第二图像的特征向量和所述第三图像的特征向量；
利用所述第一图像的特征向量，所述第二图像的特征向量和所述第三图像的特征向量，形成所述特征向量组。


3.根据权利要求2所述的方法，其特征在于，在对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组之后，在采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型之前，所述方法还包括：
选取出所述特征向量组中不满足预设条件的组别；
从所述特征向量组中删除掉不满足所述预设条件的组别，以更新所述特征向量组。


4.根据权利要求3所述的方法，其特征在于，所述选取出所述特征向量组中不满足预设条件的组别，包括：
计算所述第一图像的特征向量与所述第二图像的特征向量之间的第一距离值；
当所述第一距离值大于等于第一预设阈值时，将包含所述第一图像和所述第二图像的组别确定为所述不满足预设条件的组别，并选取出所述不满足预设条件的组别；
和/或，
计算所述第一图像的特征向量与所述第三图像的特征向量之间的第二距离值；
当所述...

【专利技术属性】
技术研发人员：戴秋菊，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44