【技术实现步骤摘要】
一种图像分类方法、装置和计算机可读存储介质
本专利技术涉及通信
，具体涉及一种图像分类方法、装置和计算机可读存储介质。
技术介绍
近年来，随着神经网络技术在人工智能领域的大热，将神经网络应用于图像分类方面也有了长足的发展。为了提升神经网络对图像分类的准确性，就需要在图像分类模型训练过程中提升网络性能，而网络正则化是提升网络性能的重要算法，现有的以dropout(一种网络正则化算法)为代表的网络正则化方法被广泛应用在各个图像分类任务中。在对现有技术的研究和实践过程中，本专利技术的专利技术人发现现有网络正则化方法直接在输入层和特征图的特征图中随机选择不参与本轮训练的元素，而每个特征图中的元素对于特征图的重要性是不一样的，因此，会大大影响图像分类模型对图像分类的准确性。
技术实现思路
本专利技术实施例提供一种图像分类方法、装置和计算机可读存储介质。可以提高图像分类的准确性。一种图像分类方法，包括：获取至少一张图像样本；采用预设图像分类模型对所述图像样本进行特征提取，得到图像...
【技术保护点】
1.一种图像分类方法，其特征在于，包括：/n获取至少一张图像样本；/n采用预设图像分类模型对所述图像样本进行特征提取，得到图像样本对应的特征图；/n根据所述特征图的尺寸，在所述特征图上进行区域划分，并计算划分得到的每一特征区域的抽样概率，所述抽样概率为特征区域被选中参加训练的概率；/n根据所述抽样概率，在所述特征图抽样出参加训练的目标特征区域；/n基于所述目标特征区域，对所述预设图像分类模型进行训练，得到训练后图像分类模型，以根据所述训练后图像分类模型对待分类图像进行分类。/n
【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：
获取至少一张图像样本；
采用预设图像分类模型对所述图像样本进行特征提取，得到图像样本对应的特征图；
根据所述特征图的尺寸，在所述特征图上进行区域划分，并计算划分得到的每一特征区域的抽样概率，所述抽样概率为特征区域被选中参加训练的概率；
根据所述抽样概率，在所述特征图抽样出参加训练的目标特征区域；
基于所述目标特征区域，对所述预设图像分类模型进行训练，得到训练后图像分类模型，以根据所述训练后图像分类模型对待分类图像进行分类。
2.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述特征图的尺寸，在所述特征图上进行区域划分，并计算划分的特征区域的抽样概率，包括：
根据所述特征图的尺寸，确定需要划分的区域数量；
在所述特征图上划分出所述区域数量对应的特征区域；
根据所述特征区域的特征值，计算每一特征区域的抽样概率。
3.根据权利要求2所述的图像分类方法，其特征在于，所述在所述特征图上划分出所述区域数量对应的特征区域，包括：
识别所述特征图中的特征数量；
基于所述区域数量和特征数量，在所述特征图上划分出所述区域数量对应的特征区域，所述特征区域中的特征数量超过预设数量阈值。
4.根据权利要求2所述的图像分类方法，其特征在于，所述计算所述特征区域的抽样概率，包括：
获取所述特征区域中特征的特征值；
将所述特征的特征值进行累加，得到所述特征区域的特征值；
基于所述特征区域的特征值，计算所述特征区域的抽样概率。
5.根据权利要求4所述的图像分类方法，其特征在与，所述基于所述特征区域的特征值，计算所述特征区域的抽样概率，包括：
将所述特征区域的特征值进行累加，得到所述特征图的特征值；
基于所述特征区域的特征值和特征图的特征值，计算所述特征区域在所述特征图中的区域敏感概率，将所述区域敏感概率作为所述特征区域的抽样概率，所述区域敏感概率为指示所述特征区域在特征图中的重要程度。
6.根据权利要求1至5任一项所述的图像分类方法，其特征在于，所述根据所述抽样概率，在所述特征图抽样出要参加训练的目标特征区域，包括：
在所述特征图中确定出参加抽样的特征区域数量和参加训练的目标特征区域数量；
在所述特征图中筛选出所述特征区域数量对应的候选特征区域；
根据所述抽样概率，在所述候选特征区域中抽样出所述目标特征区域数量对应的目标特征区域。
7.根据权利要求6所述的图像分类方法，其特征在于，所述根据所述抽样概率，在所述候选特征区域中抽样出所述目标特征区域数量对应的目标特征区域，包括：
根据所述抽样概率，对所述候选特征区域进行分类；
基于分类结果，确定所述候选特征区域的加权系数；
根据所述加权系数，对所述候选特征区域的抽样概率进行加权；
基于...
【专利技术属性】
技术研发人员：李嘉麟，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44
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。