一种图像分类方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种图像分类方法、装置、计算机设备和存储介质。该方法包括：获取待分类图像；将所述待分类图像作为输入特征图，使用预先训练好的图像分类模型得到所述待分类图像的分类类别，所述图像分类模型包括卷积层，所述卷积层对应一个动态激活函数，所述卷积层用于对所述输入特征图进行卷积处理得到中间特征图，所述动态激活函数包括动态参数，所述动态参数是根据所述中间特征图生成的，所述动态激活函数用于对所述中间特征图进行非线性映射得到输出特征图。本发明专利技术实施例实现了提升神经网络模型分类准确性。提升神经网络模型分类准确性。提升神经网络模型分类准确性。

【技术实现步骤摘要】
一种图像分类方法、装置、计算机设备和存储介质


[0001]本专利技术涉及图像
，尤其涉及一种图像分类方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着科学技术的飞速发展，神经网络模型被应用至越来越多的领域当中，其中应用最广泛的是图像分类，进行图像分类时常采用卷积神经网络(CNN)，在分类的过程中，需要使用激活函数来完成输入特征图的卷积。
[0003]ReLU(修正线性单元)激活函数是神经网络领域的里程碑技术，它可以简单直接地改善深度卷积神经网络的前向和反向传播性能，在ResNet、MobileNet等经典网络具有着广泛的应用。相较于之前使用的Sigmoid激活函数，Sigmoid在网络层数较深时容易出现梯度消失的现象，而ReLU并不会产生较小的梯度，输入小于零时会使部分神经元输出为零，从而导致网络的稀疏性，缓解过拟合的产生。
[0004]在图像分类的过程中，不同的输入特征图适应于不同的激活函数，但是现有的激活函数，无论是ReLU激活函数还是其衍生形式，譬如ReLU6、Leaky ReLU、PreLu、HardS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：获取待分类图像；将所述待分类图像作为输入特征图，使用预先训练好的图像分类模型得到所述待分类图像的分类类别，所述图像分类模型包括卷积层，所述卷积层对应一个动态激活函数，所述卷积层用于对所述输入特征图进行卷积处理得到中间特征图，所述动态激活函数包括动态参数，所述动态参数是根据所述中间特征图生成的，所述动态激活函数用于对所述中间特征图进行非线性映射得到输出特征图。2.根据权利要求1所述的方法，其特征在于，所述动态激活函数是由N个激活函数和N个激活函数权重因子组成，每个所述激活函数对应一个所述激活函数权重因子，所述激活函数权重因子为所述动态激活函数的动态参数。3.根据权利要求2所述的方法，其特征在于，所述动态参数的生成包括：对所述中间特征图进行自适应池化操作以得到第一一维向量；通过全连接层对所述第一一维向量的长度进行转换以得到第二一维向量；对所述第二一维向量进行归一化处理以得到动态激活函数的激活函数权重因子。4.根据权利要求2所述的方法，其特征在于，所述输入特征图包括C个通道，每个所述通道对应一个通道输入特征图，所述卷积层用于对每个所述通道输入特征图进行卷积处理得到每个通道对应的通道中间特征图；所述动态激活函数包括C
×
N个动态通道激活函数，每个所述通道对应N个动态通道激活函数，每个所述动态通道激活函数对应一个动态通道激活函数权重因子，每个所述动态通道激活函数权重因子是根据所述通道中间特征图生成的，所述动态通道激活函数用于对相应的通道中间特征图进行非线性映射得到输出通道特征图。5.根据权利要求4所述的方法，其特征在于，所述动态通道激活函数权重因子的生成包括：对所述通道中间特征图进行自适应池化操作以得到长度为1的第三一维向量；通过全连接层对所述第三维向量的长度进行转换以得到长度为N的第四一维向量；对所述第四一维向量进行归一化处理以得到N个所述动态通道激活函数的动态通道激活...

【专利技术属性】
技术研发人员：王东，程骏，张惊涛，胡淑萍，顾在旺，郭渺辰，刘业鹏，庞建新，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：