用于图像的细分类方法及装置制造方法及图纸

本发明专利技术公开了一种用于图像的细分类方法及装置，方法包括：将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。本申请在使用基础分类网络分析出遥感图像上的飞行器的类别后，如果该类别为易混淆类别，可以从已建立好的不同混淆类别与决策码的对应关系中，获得该类别对应的决策码，并基于该决策码对应的分类策略有分析有针对性的分析遥感图像上的飞行器的类别，降低混淆程度，从而提升图像分类的效率。

【技术实现步骤摘要】
用于图像的细分类方法及装置
本专利技术涉及图像处理
，具体涉及一种用于图像的细分类方法及装置。
技术介绍
在计算机视觉中，图像细粒度分类是图像分类领域下的进一步细分，图像细粒度分类任务相对于通用图像分类任务的区别在于细粒度分类是对大类别下的子类别进行分类，图像所属类别的粒度更为精细。例如，通用图像分类任务是将“袋鼠”和“狗”，从比较容易区分的外貌、形态等方面将这两个物体大类区分开；而细粒度分类的任务则是对“狗”这类大类别下的子类别进行区分，例如需要区分“金毛犬”和“阿拉斯加犬”。正因同大类别下的不同子类往往仅在耳朵形状或是毛发发色等细微处存在差异，细粒度分类任务的难度和挑战是较为巨大的。对两个极为相似的物种进行细粒度分类，最重要的是在图像中找到能够区分这两个物种的区分性的部位，并能够对这些有区分性的部位的特征进行较好的表示。由于深度卷积神经网络强大的图像特征表征能力，目前现有的细粒度分类方法都是以深度卷积神经网络为基础的，主要分为三类方法：①基于常规图像分类网络的微调方法②基于目标块检测的方法③基于注意力机制的方法。而目前主流的细本文档来自技高网...

【技术保护点】
1.一种用于图像的细分类方法，其特征在于，所述方法包括：/n将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；/n根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；/n基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。/n

【技术特征摘要】
1.一种用于图像的细分类方法，其特征在于，所述方法包括：
将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；
根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；
基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。


2.根据权利要求1所述的方法，其特征在于，根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码之前，包括：
获取飞行器的遥感图像样本集；
针对所述样本集中的每一样本，将该样本输入已训练的基础分类网络，以由所述基础分类网络分析该样本上的飞行器属于所有类别的概率，并获取所述基础分类网络分析得到的所有类别的概率；
依据每一样本上的飞行器属于所有类别的概率建立所有类别的混淆矩阵；所述混淆矩阵中的每一元素表示两个类别间的混淆概率；
利用所述混淆矩阵划分混淆社区，每个混淆社区包含多个易混淆类别；
针对每个混淆社区，确定该混淆社区中易混淆类别的混淆原因，并获取所述混淆原因所对应的决策码；
建立该混淆社区包含的多个易混淆类别与所述决策码的对应关系。


3.根据权利要求1所述的方法，其特征在于，基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别，包括：
若所述决策码所对应的分类策略包含分割掩码约束策略，则获取所述遥感图像的分割掩码图，并将分割掩码图与遥感图像做相乘运算，以去掉遥感图像中的背景，并将经过运算的遥感图像输入已训练的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；
若所述决策码所对应的分类策略包含引擎数量约束策略，则获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；
若所述决策码所对应的分类策略包含特征度量约束策略，则将所述新的飞行器特征图输入已训练的第一特征分类模块，以由所述第一特征分类模块基于新的飞行器特征图进行分类，得到飞行器的第二类别。


4.根据权利要求3所述的方法，其特征在于，基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别，包括：
若所述决策码所对应的分类策略不包含分割掩码约束策略，则将所述遥感图像输入已训练的特征提取模块，并获取所述特征提取模块输出的飞行器特征图；
若所述决策码所对应的分类策略不包含引擎数量约束策略和特征度量约束策略，则将所述飞行器特征图输入已训练的第二特征分类模块，以由所述第二特征分类模块基于所述飞行器特征图进行分类，得到飞行器的第二类别；
若所述决策码所对应的分类策略不包含引擎数量约束策略但包含特征度量约束策略，则将所述飞行器特征图输入已训练的第一特征分类模块，以由所述第一特征分类模块基于所述飞行器特征图进行分类，得到飞行器的第二类别；
若所述决策码所对应的分类策略包含引擎数量约束策略但不包含特征度量约束策略，则获取所述特征提取模块中底层卷积层提取的引擎特征图，并将所述飞行器特征图与所述引擎特征图按维度相加，得到新的飞行器特征图；将所述新的飞行器特征图输入已训练的第二特征分类模块，以由所述第二特征分类模块基于所述新的飞行器特征图进行分类，得到飞行器的第二类别。


5.根据权利要求4所述的方法，其特征在于，所述特征提取模块和所述第二特征分类模块的训练过程包括：
获取飞行器的遥感图像样本集；
针对所述样本集中每一遥感图像，获取该遥感图像的分割掩码图，并将分割掩码图与该遥感图像做相乘运算，以去掉遥感图像中的背景；
利用经过运算的遥感图像训练已构建的特征提取模块和第二特征分类模块；
其中，在训练过程中，通过引入引擎数量约束策略训练...

【专利技术属性】
技术研发人员：牛新，曾妍庆，窦勇，姜晶菲，李荣春，苏华友，乔鹏，潘衡岳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43