图像分类模型构建方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像分类模型构建方法、装置、计算机设备和存储介质。所述方法包括：获取小样本图像集；通过卷积核对所述小样本图像集中的各样本图像进行卷积运算，计算卷积后的样本图像之间的相似度，根据所述相似度在所述卷积核中筛选第一卷积核；对所述小样本图像集进行数据增强，得到目标图像集，根据所述目标图像集生成第二卷积核；根据指定卷积核尺寸对应的卷积核参数随机生成第三卷积核；根据所述第一卷积核、所述第二卷积核以及所述第三卷积核构建得到图像分类模型。采用本方法能够在样本图像数据量较少的情况下，构建图像分类模型以提高图像分类准确性。

Image classification model construction method, device, computer equipment and storage medium

【技术实现步骤摘要】
图像分类模型构建方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种图像分类模型构建方法、装置、计算机设备和存储介质。
技术介绍
图像分类是指根据图像中所反映的不同特征，将不同类别的目标进行区分的图像处理方法。传统方式中，是通过对大量的样本图像数据进行训练来构建图像分类模型。然而，当取样较困难，样本图像数据量较少时，会导致图像分类模型的图像分类准确性较低。因此，如何在样本图像数据量较少的情况下，构建图像分类模型以提高图像分类准确性成为目前需要解决的一个技术问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够在样本图像数据量较少的情况下，构建图像分类模型以提高图像分类准确性的图像分类模型构建方法、装置、计算机设备和存储介质。一种图像分类模型构建方法，所述方法包括：获取小样本图像集；通过卷积核对所述小样本图像集中的各样本图像进行卷积运算，计算卷积后的样本图像之间的相似度，根据所述相似度在所述卷积核中筛选第一卷积核；对所述小样本图像集进行数据增强，得到目标图像集，根据所述目标图像集生成第二卷积核；根据指定卷积核尺寸对应的卷积核参数随机生成第三卷积核；根据所述第一卷积核、所述第二卷积核以及所述第三卷积核构建得到图像分类模型。在其中一个实施例中，所述图像分类模型包括多个网络层，所述方法还包括：获取待分类图像；将所述待分类图像输入至所述图像分类模型中，通过所述图像分类模型中卷积层的第一卷积核、第二卷积核以及第三卷积核对所述待分类图像进行特征提取，将提取的特征数据进行组合，得到综合特征数据；将所述综合特征数据输入至池化层，通过所述池化层对所述综合特征数据进行降维处理；将降维处理后的综合特征数据输入全连接层，对所述降维处理后的综合特征数据进行分类得到分类结果；通过输出层根据所述分类结果输出所述待分类图像对应的类别。在其中一个实施例中，所述通过所述图像分类模型中卷积层的第一卷积核、第二卷积核以及第三卷积核对所述待分类图像进行特征提取，将提取的特征数据进行组合，得到综合特征信息包括：通过所述第一卷积核提取所述待分类图像的拓扑特征数据；通过所述第二卷积核提取所述待分类图像的几何特征数据；通过所述第三卷积核提取所述待分类图像的分类特征数据；将所述拓扑特征数据、所述几何特征数据以及所述分类特征数据进行组合，得到综合特征数据。在其中一个实施例中，所述通过卷积核对所述小样本图像集中的各样本图像进行卷积运算包括：获取随机生成的卷积核；根据所述卷积核的卷积核参数与所述小样本图像集中的各样本图像进行卷积运算。在其中一个实施例中，所述根据所述相似度在所述卷积核中筛选第一卷积核包括：将所述相似度与相似度阈值进行比较，确定各卷积核对应的所述小样本图像集对应的图像分类结果；根据所述图像分类结果在所述卷积核中筛选满足预设条件的卷积核，得到第一卷积核。在其中一个实施例中，所述对所述小样本图像集进行数据增强，得到目标图像集包括：在所述小样本图像集中提取样本图像；对所述样本图像进行图像变换处理，得到虚拟图像；根据所述虚拟图像以及所述小样本图像集得到目标图像集。在其中一个实施例中，在所述根据所述目标图像集生成第二卷积核之后，还包括：对所述第二卷积核进行训练，确定所述第二卷积核的卷积核参数对应的张成空间；在训练过程中将所述第二卷积核的卷积核参数沿着所述张成空间的垂直方向进行修改。一种图像分类模型构建装置，所述装置包括：通信模块，用于获取小样本图像集；筛选模块，用于通过卷积核对所述小样本图像集中的各样本图像进行卷积运算，计算卷积后的样本图像之间的相似度，根据所述相似度在所述卷积核中筛选第一卷积核；增强模块，用于对所述小样本图像集进行数据增强，得到目标图像集，根据所述目标图像集生成第二卷积核；生成模块，用于根据指定卷积核尺寸对应的卷积核参数随机生成第三卷积核；构建模块，用于根据所述第一卷积核、所述第二卷积核以及所述第三卷积核构建得到图像分类模型。在其中一个实施例中，所述装置还包括：分类模块，用于获取待分类图像；将所述待分类图像输入至所述图像分类模型中，通过所述图像分类模型中卷积层的第一卷积核、第二卷积核以及第三卷积核对所述待分类图像进行特征提取，将提取的特征数据进行组合，得到综合特征数据；将所述综合特征数据输入至池化层，通过所述池化层对所述综合特征数据进行降维处理；将降维处理后的综合特征数据输入全连接层，对所述降维处理后的综合特征数据进行分类得到分类结果；通过输出层根据所述分类结果输出所述待分类图像对应的类别。在其中一个实施例中，所述分类模块，还用于通过所述第一卷积核提取所述待分类图像的拓扑特征数据；通过所述第二卷积核提取所述待分类图像的几何特征数据；通过所述第三卷积核提取所述待分类图像的分类特征数据；将所述拓扑特征数据、所述几何特征数据以及所述分类特征数据进行组合，得到综合特征数据。一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。上述图像分类模型构建方法、装置、计算机设备和存储介质，通过卷积核对小样本图像集中的各样本图像进行卷积运算，计算卷积后的样本图像之间的相似度，根据相似度在卷积核中筛选第一卷积核。并未限制使用对称卷积核，能够扩大第一卷积核的适用范围。由于第一卷积核可识别图像的拓扑特征数据，能够对图像进行准确识别。对小样本图像集进行数据增强，根据数据增强得到的目标图像集生成第二卷积核。可以通过第二卷积核来提取图像的几何特征数据，另外，图像分类模型的输入部分由小样本图像集进行数据增强而成，实现小样本学习。由于第二卷积核的卷积核参数可以在模型训练过程中进行修改，既可以保留对以往学习任务的记忆，又能学习新的任务，能够使图像分类模型的应用更为广泛。根据指定卷积核尺寸对应的卷积核参数随机生成第三卷积核。第三卷积核可以随着图像分类模型的训练进行自动修正，由此可以提取图像的分类特征数据，以保持图像分类模型的学习能力和自由学习能力。根据第一卷积核、第二卷积核以及第三卷积核构建得到图像分类模型。能够根据小样本图像集，识别出样本图像的多种特征数据，并能够持续学习，因而有效提高了图像分类模型的图像分类准确性。附图说明图1为一个实施例中图像分类模型构建方法的应用环境图；图2为一个实施例中图像分类模型构建方法的流程示意图；图3为一个实施例中根据图像分类模型对待分类图像进行分类步骤的流程示意图；图4为一个实施例中图像分类模型构建装置的结构框图；图5为一个实施例中计算机设备的内部结构图。...

【技术保护点】
1.一种图像分类模型构建方法，其特征在于，所述方法包括：/n获取小样本图像集；/n通过卷积核对所述小样本图像集中的各样本图像进行卷积运算，计算卷积后的样本图像之间的相似度，根据所述相似度在所述卷积核中筛选第一卷积核；/n对所述小样本图像集进行数据增强，得到目标图像集，根据所述目标图像集生成第二卷积核；/n根据指定卷积核尺寸对应的卷积核参数随机生成第三卷积核；/n根据所述第一卷积核、所述第二卷积核以及所述第三卷积核构建得到图像分类模型。/n

【技术特征摘要】
1.一种图像分类模型构建方法，其特征在于，所述方法包括：
获取小样本图像集；
通过卷积核对所述小样本图像集中的各样本图像进行卷积运算，计算卷积后的样本图像之间的相似度，根据所述相似度在所述卷积核中筛选第一卷积核；
对所述小样本图像集进行数据增强，得到目标图像集，根据所述目标图像集生成第二卷积核；
根据指定卷积核尺寸对应的卷积核参数随机生成第三卷积核；
根据所述第一卷积核、所述第二卷积核以及所述第三卷积核构建得到图像分类模型。


2.根据权利要求1所述的方法，其特征在于，所述图像分类模型包括多个网络层，所述方法还包括：
获取待分类图像；
将所述待分类图像输入至所述图像分类模型中，通过所述图像分类模型中卷积层的第一卷积核、第二卷积核以及第三卷积核对所述待分类图像进行特征提取，将提取的特征数据进行组合，得到综合特征数据；
将所述综合特征数据输入至池化层，通过所述池化层对所述综合特征数据进行降维处理；
将降维处理后的综合特征数据输入全连接层，对所述降维处理后的综合特征数据进行分类得到分类结果；
通过输出层根据所述分类结果输出所述待分类图像对应的类别。


3.根据权利要求2所述的方法，其特征在于，所述通过所述图像分类模型中卷积层的第一卷积核、第二卷积核以及第三卷积核对所述待分类图像进行特征提取，将提取的特征数据进行组合，得到综合特征信息包括：
通过所述第一卷积核提取所述待分类图像的拓扑特征数据；
通过所述第二卷积核提取所述待分类图像的几何特征数据；
通过所述第三卷积核提取所述待分类图像的分类特征数据；
将所述拓扑特征数据、所述几何特征数据以及所述分类特征数据进行组合，得到综合特征数据。


4.根据权利要求1所述的方法，其特征在于，所述通过卷积核对所述小样本图像集中的各样本图像进行卷积运算包括：
获取随机生成的卷积核；
根据所述卷积核的卷积核参数与所述小样本图像集中的各样本图像进行卷积运算。


5.根据权利要求1所述的方法，其特征在于，所述根据所述相似度在所述卷积核中筛选第一卷积核包括：
将所述相似度与相似度阈值进行比较，确定各卷积核对应的所述小样本图像集对应的图像分类结果；
根据所述图像分类结果在所述卷积核中筛选满足预设条件的卷积核，得到第一卷积核。


6.根据权利要求1所述的方法，其特征在于，所述对所述小样本图像集进行数据增强，得到目标图像集包括：
在所...

【专利技术属性】
技术研发人员：张少林，宁欣，聂帅，
申请(专利权)人：北京市威富安防科技有限公司，
类型：发明
国别省市：北京;11