一种基于全卷积神经网络的图像分类方法、设备及介质技术

本申请公开了一种基于全卷积神经网络的图像分类方法、设备及介质，包括：根据全卷积神经网络，将图像中的目标分割成多个像素，并确定出每个像素的目标概率值；将所述目标概率值大于预设值的像素归为预先分割的区域内，并确定出多个关键区域；提取每个关键区域的向量特征，并根据每个关键区域的向量特征，确定出多个关键区域之间的关联特征；将所述多个关键区域之间的关联特征输入至分类器，以确定出图像的类别。本说明书实施例提出了基于深度学习的关键区域学习方法，最终学习出多个关键区域的关联特征。学习到的关联特征能够更加有效的利用关键区域的信息并能获取这些关键区域的相关性信息，有利于进一步提高了图像分类的精度。

【技术实现步骤摘要】
一种基于全卷积神经网络的图像分类方法、设备及介质
本申请涉及计算机
，尤其涉及一种基于全卷积神经网络的图像分类方法、设备及介质。
技术介绍
图像分类是计算机视觉中的一个重要研究领域，已在疾病自动诊断、身份识别、目标识别等领域得到了广泛的应用。近年来，深度学习已在图像分类中取得了较大的进展。但现有的目标图像分类技术在进行目标图像分类时效果较差，不能很好的对目标图像进行分类。
技术实现思路
有鉴于此，本申请实施例提供了一种基于全卷积神经网络的图像分类方法、设备及介质，用于解决现有的目标图像分类技术在进行目标图像分类时效果较差，不能很好的对目标图像进行分类的问题。本申请实施例采用下述技术方案：本申请实施例提供一种基于全卷积神经网络的图像分类方法，所述方法包括：根据全卷积神经网络，将图像中的目标分割成多个像素，并确定出每个像素的目标概率值；将所述目标概率值大于预设值的像素归为预先分割的区域内，并确定出多个关键区域；提取每个关键区域的向量特征，并根据每个关键区域的向量特征，确定出多个关键区本文档来自技高网...

【技术保护点】
1.一种基于全卷积神经网络的图像分类方法，其特征在于，所述方法包括：/n根据全卷积神经网络，将图像中的目标分割成多个像素，并确定出每个像素的目标概率值；/n将所述目标概率值大于预设值的像素归为预先分割的区域内，并确定出多个关键区域；/n提取每个关键区域的向量特征，并根据每个关键区域的向量特征，确定出多个关键区域之间的关联特征；/n将所述多个关键区域之间的关联特征输入至分类器，以确定出图像的类别。/n

【技术特征摘要】
1.一种基于全卷积神经网络的图像分类方法，其特征在于，所述方法包括：
根据全卷积神经网络，将图像中的目标分割成多个像素，并确定出每个像素的目标概率值；
将所述目标概率值大于预设值的像素归为预先分割的区域内，并确定出多个关键区域；
提取每个关键区域的向量特征，并根据每个关键区域的向量特征，确定出多个关键区域之间的关联特征；
将所述多个关键区域之间的关联特征输入至分类器，以确定出图像的类别。


2.根据权利要求1所述的基于全卷积神经网络的图像分类方法，其特征在于，所述预先分割的区域是通过阈值分割算法分割出的区域。


3.根据权利要求1所述的基于全卷积神经网络的图像分类方法，其特征在于，所述提取每个关键区域的向量特征之前，所述方法还包括：
对于每个关键区域，提取出最小的外接矩形。


4.根据权利要求1所述的基于全卷积神经网络的图像分类方法，其特征在于，所述提取每个关键区域的向量特征，具体包括：
使用Resnet算法提取每个关键区域的向量特征。


5.根据权利要求1所述的基于全卷积神经网络的图像分类方法，其特征在于，所述根据每个关键区域的向量特征，确定出多个关键区域之间的关联特征，具体包括：
根据每个关键区域的向量特征，确定出关键区域之间的相关性；
根据卷积神经网络与关键区域之间的相关性，确定出多个关键区域之间的关联特征。


6.根据权利要求5所述的基于全卷积神经网络的图像分类方法，其特征在于，所述根据每个关键区域的向量特征，确定出关键区域之间的相关性，具体包括：
将每个关键区域作为一个节点，并构造节点之间的样本对；
根据所述节点之间的样本对训练RankSVM算法，确定出符合要求的RankSVM算法；
将每个关键区域的特征向量输入至所述符合要求的RankS...

【专利技术属性】
技术研发人员：袭肖明，于治楼，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东;37