图像分类方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种图像分类方法、装置、电子设备及存储介质，该图像分类方法包括：将待分类图像输入训练好的神经网络进行特征提取；基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。本申请实施例，能够使得单一检测模型自适应地检测经由多种篡改方式所篡改的图像，提高了检测模型的适用性。

【技术实现步骤摘要】
图像分类方法、装置、电子设备及存储介质
本公开涉及计算机视觉
，具体而言，涉及一种图像分类方法、装置、电子设备和存储介质。
技术介绍
随着深度伪造篡改技术的持续进步，给深度伪造检测方法带来了极大的挑战。例如，基于生成式对抗网络(GenerativeAdversarialNetworks，GAN)可以生成逼真度极高的伪造数据，进而达到以假乱真的效果。由于伪造方法的丰富性越来越高，导致使用单一检测模型来识别多种类型的伪造图像的难度越来越大。此外，篡改方法水平的参差不齐也将导致篡改类别数据类内差异度较大。因此，如何使用单一检测模型自适应地检测多种篡改方式的伪造图像尤为重要。
技术实现思路
本公开实施例至少提供一种图像分类方法、装置、电子设备及存储介质。第一方面，本公开实施例提供了一种图像分类方法，包括：将待分类图像输入训练好的神经网络进行特征提取；基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。本公开实施例中，由于在提取到待分类图像的图像特征后，根据所提取的图像特征对原始分类中心特征产生偏移，得到目标分类中心特征，使调整后的目标分类中心特征更加适配当前待分类图像的分类。也即，由于当前待分类图像对原始分类中心特征的偏移量，是根据当前待分类图像自身的特征产生的，从而实现了分类中心特征的自适应调整，满足了各类不同的待分类图像，提高了图像分类的准确度。根据第一方面，在一种可能的实施方式中，所述基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征，包括：基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征。本公开实施例中，先根据所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量，再基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征，如此，不仅实现了目标分类中心特征的确定，还提高了目标分类中心特征的确定速度。根据第一方面，在一种可能的实施方式中，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征；所述目标分类中心特征包括目标真实样本类中心特征以及目标篡改样本类中心特征；所述基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果，包括：基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。本公开实施例中，由于所述原始分类中心包括原始真实样本类中心特征以及原始篡改样本类中心特征；使得在对待分类图像进行分类时同时根据两个分类中心特征进行分类，进而可以进一步提搞测试的准确度。根据第一方面，在一种可能的实施方式中，所述基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征，包括：基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量；将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。本公开实施例中，同时预测相对于原始真实样本类中心的第一偏移量与相对于原始篡改样本类中心的第二偏移量，并在特征维度进行逐元素相加，得到调整后分类中心，进而提高了所获得的目标真实样本类中心特征以及目标篡改样本类中心特征的适应性。根据第一方面，在一种可能的实施方式中，所述基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果，包括：将所提取图像特征分别与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征进行比对，分别得到所述待分类图像与所述目标真实样本类中心特征之间的第一差异比较结果，以及所述待分类图像与所述目标篡改样本类中心特征之间的第二差异比对结果；基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果。根据第一方面，在一种可能的实施方式中，所述基于所述第一差异比较结果和所述第二差异比较结果，对所述待分类图像进行分类，得到分类结果，包括：将所述第一差异比较结果和所述第二差异比较结果中指示差异最小的差异比对结果所对应的分类，确定为所述待分类图像所对应的分类结果。根据第一方面，在一种可能的实施方式中，所述待分类图像包括测试图像，所述方法还包括：获取所述测试图像对应的标注结果；根据所述得到分类结果以及所述测试图像的标注结果，对所述训练好的神经网络进行参数调整，得到测试好的神经网络。本公开实施例中，由于在得到分类结果后，还根据得到的分类结果对神经网络的参数进行调整，可以进一步提高神经网络的性能，进而提高了后续图像检测的可靠性。第二方面，本公开实施例提供了一种图像分类装置，包括：提取模块，用于将待分类图像输入训练好的神经网络进行特征提取；计算模块，用于基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；分类模块，用于基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。根据第二方面，在一种可能的实施方式中，所述计算模块具体用于：基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征。根据第二方面，在一种可能的实施方式中，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征；所述目标分类中心特征包括目标真实样本类中心特征以及目标篡改样本类中心特征；所述分类模块具体用于：基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。根据第二方面，在一种可能的实施方式中，所述计算模块具体用于：基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量；将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。根据第二方面，在一种可能的实施方式中，所述分类模块具体用于：将所提取图像特征分别与所述目标真实样本类中心特征以及所述目标篡改样本类中心特征本文档来自技高网...

【技术保护点】
1.一种图像分类方法，其特征在于，包括：/n将待分类图像输入训练好的神经网络进行特征提取；/n基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；/n基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。/n

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：
将待分类图像输入训练好的神经网络进行特征提取；
基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征；其中，所述原始分类中心特征由所述神经网络基于样本图像进行训练学习获得；
基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果。


2.根据权利要求1所述的方法，其特征在于，所述基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征，包括：
基于所提取的图像特征，得到目标分类中心特征相对于所述原始分类中心特征的偏移量；
基于所述偏移量与所述原始分类中心特征，得到所述目标分类中心特征。


3.根据权利要求1或2所述的方法，其特征在于，所述原始分类中心特征包括原始真实样本类中心特征以及原始篡改样本类中心特征；所述目标分类中心特征包括目标真实样本类中心特征以及目标篡改样本类中心特征；
所述基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果，包括：
基于所述目标真实样本类中心特征以及所述目标篡改样本类中心特征，对所述待分类图像进行分类，得到所述分类结果。


4.根据权利要求3所述的方法，其特征在于，所述基于所提取的图像特征以及原始分类中心特征，得到与所述待分类图像相对应的目标分类中心特征，包括：
基于所提取的图像特征，分别得到所述目标真实样本类中心特征相对于所述原始真实样本分类中心特征的第一偏移量，以及得到所述目标篡改样本类中心特征相对于所述原始篡改样本类中心特征的第二偏移量；
将所述第一偏移量与所述原始真实样本类中心特征相加，得到所述目标真实样本类中心特征，并将所述第二偏移量与所述原始篡改样本类中心特征相加，得到所述目标篡改样本类中心特征。


5.根据权利要求3或4所述的方法，其特征在于，所述基于所述目标分类中心特征，对所述待分类图像进行分类，得到分类结果，包括：

【专利技术属性】
技术研发人员：方正，殷国君，邵婧，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31