图像细粒度分类方法、装置、存储介质及设备制造方法及图纸

本申请实施例公开了一种图像细粒度分类方法、装置、存储介质及设备，该方法包括：获取至少两张样本图像；对所述至少两张样本图像进行特征提取，得到所述至少两张样本图像各自对应的特征信息；确定所述至少两张样本图像对应的第一标签值；根据所得到的特征信息以及所述第一标签值，构建预设度量模型；其中，所述预设度量模型表示对至少两个特征信息之间的距离进行优化的度量模型；将所述预设度量模型和预先训练的预设分类模型进行合并处理，得到目标分类模型；其中，所述目标分类模型用于实现对待处理图像的细粒度分类。

Fine-grained image classification methods, devices, storage media and devices

【技术实现步骤摘要】
图像细粒度分类方法、装置、存储介质及设备
本申请涉及图像分类
，尤其涉及一种图像细粒度分类方法、装置、存储介质及设备。
技术介绍
细粒度图像分类相对通用图像分类任务的区别在于其图像所属类别的粒度更为精细，不同细粒度物体类别的差异仅体现在细微之处。由于受到环境、位置、背景和外形等条件的影响，即使同一类别的物体也可能会有变化较大的类内视觉差异。例如，不同品种的狗都属于狗这一大类，所以其类别之间的差异性较小；但是由于存在背景和外形等条件的多样性，而导致类别之间仍然存在较大的差异性。目前的方案是在通用分类算法的基础上进行改进，但是通用分类算法对于细粒度分类的类间区分度不高，导致类间特征之间的中心距离较近，而且类内特征不够聚拢，使得多个类别之间的特征分布存在交叠，容易造成类间的误分问题；另外，目前的方案中运算比较复杂，还会带来更多的时延。
技术实现思路
本申请实施例提出一种图像细粒度分类方法、装置、存储介质及设备，可以提升细粒度分类算法的类间区分性与类内聚拢性，同时可以降低运算工作量。为达到上述目的，本申请的技术本文档来自技高网...

【技术保护点】
1.一种图像细粒度分类方法，其特征在于，所述方法包括：/n获取至少两张样本图像；/n对所述至少两张样本图像进行特征提取，得到所述至少两张样本图像各自对应的特征信息；/n确定所述至少两张样本图像对应的第一标签值；/n根据所得到的特征信息以及所述第一标签值，构建预设度量模型；其中，所述预设度量模型表示对至少两个特征信息之间的距离进行优化的度量模型；/n将所述预设度量模型和预先训练的预设分类模型进行合并处理，得到目标分类模型；其中，所述目标分类模型用于实现对待处理图像的细粒度分类。/n

【技术特征摘要】
1.一种图像细粒度分类方法，其特征在于，所述方法包括：
获取至少两张样本图像；
对所述至少两张样本图像进行特征提取，得到所述至少两张样本图像各自对应的特征信息；
确定所述至少两张样本图像对应的第一标签值；
根据所得到的特征信息以及所述第一标签值，构建预设度量模型；其中，所述预设度量模型表示对至少两个特征信息之间的距离进行优化的度量模型；
将所述预设度量模型和预先训练的预设分类模型进行合并处理，得到目标分类模型；其中，所述目标分类模型用于实现对待处理图像的细粒度分类。


2.根据权利要求1所述的方法，其特征在于，所述确定所述至少两张样本图像对应的第一标签值，包括：
获取所述至少两张样本图像各自对应的标签；
判断所述至少两张样本图像各自对应的标签是否属于同一类别；
若所述至少两张样本图像各自对应的标签属于同一类别，则确定所述第一标签值为第一值；
若所述至少两张样本图像各自对应的标签不属于同一类别，则确定所述第一标签值为第二值；其中，所述第一值与所述第二值不同。


3.根据权利要求2所述的方法，其特征在于，在所述构建预设度量模型之后，所述方法还包括：
当所述第一标签值为所述第一值时，利用所述预设度量模型控制所述至少两个特征信息之间的距离减小；
当所述第一标签值为所述第二值时，利用所述预设度量模型控制所述至少两个特征信息之间的距离增大。


4.根据权利要求2所述的方法，其特征在于，所述第一值等于1，所述第二值等于0。


5.根据权利要求1所述的方法，其特征在于，在所述将所述预设度量模型和预先训练的预设分类模型进行合并处理之前，所述方法还包括：
利用通用分类算法对样本训练集进行模型训练，获得所述预设分类模型。


6.根据权利要求5所述的方法，其特征在于，所述利用通用分类算法对样本训练集进行模型训练，获得所述预设分类模型，包括：
获取样本训练集以及所述样本训练集中每一张样本图像对应的标签；其中，所述样本训练集包...

【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