细粒度图像分析处理方法技术

技术编号:29589310 阅读:27 留言:0更新日期:2021-08-06 19:49
本发明专利技术公开了一种细粒度图像分析处理方法,包含以下步骤:S1:将带有标记的图像输入到全连接分割网络对其进行训练。S2:获取待分类图像。S3:将待分类图像输入训练好的全连接分割网络得到多个区域。S4:构造包含多个分支的细粒度分类模型。S5:通过细粒度分类模型抽取每个区域对应的卷积特征描述子。S6:对卷积特征描述子进行选择。S7:将各分支最终获得的卷积特征描述子融合以生成包含物体级信息和细粒度信息的综合特征表示。通过本发明专利技术的细粒度图像分析处理方法,对卷积特征描述子进行选择,提高了新增类别时的自适应性。本发明专利技术的细粒度图像分析处理方法,能够提高复杂开放环境下新增类别时细粒度图像语义分析的自适应性和可泛化能力。

【技术实现步骤摘要】
细粒度图像分析处理方法
本专利技术涉及一种细粒度图像分析处理方法。
技术介绍
细粒度视觉分析问题是计算机视觉领域一项极具挑战的研究课题,其目标是对细粒度级别图像、视频和文本等媒体中的物体子类进行定位、识别及检索等,其在生物多样性自动监测、气候变化评估、智能零售、智能交通和互联网信息监测等领域中具有广泛的应用价值。由于子类别间细微的类间差异和较大的类内差异,传统的分类和检索算法不得不依赖于大量的人工标注信息,严重制约了算法的实用性。近年来,随着深度学习技术的发展,各类深度神经网络模型为细粒度视觉分类带来了新的机遇,但相关研究和应用仍然面临严峻的挑战。细粒度视觉分析涉及两类子问题,一是图像标记的粒度非常细微(如鸟的众多不同子类,或车的不同子类);二是对细粒度级别图像而言,即使是属于同一子类的图像本身也具有形态、姿势、颜色、背景等巨大差异。因此,如何准确定位到具有分辨力的关键区域,以及从检测到的关键区域中提取细粒度特征是该研究主题的重点和难点。同时,细粒度视觉推理综合了图像处理和自然语言理解技术,是一个典型的多领域交叉的研究方向。通过本文档来自技高网...

【技术保护点】
1.一种细粒度图像分析处理方法,其特征在于,包含以下步骤:/n将带有标记的图像输入到全连接分割网络对其进行训练;/n获取待分类图像;/n将所述待分类图像输入训练好的所述全连接分割网络得到多个区域;/n构造包含多个分支的细粒度分类模型;/n通过所述细粒度分类模型抽取每个区域对应的卷积特征描述子;/n对所述卷积特征描述子进行选择;/n将各分支最终获得的所述卷积特征描述子融合以生成包含物体级信息和细粒度信息的综合特征表示。/n

【技术特征摘要】
1.一种细粒度图像分析处理方法,其特征在于,包含以下步骤:
将带有标记的图像输入到全连接分割网络对其进行训练;
获取待分类图像;
将所述待分类图像输入训练好的所述全连接分割网络得到多个区域;
构造包含多个分支的细粒度分类模型;
通过所述细粒度分类模型抽取每个区域对应的卷积特征描述子;
对所述卷积特征描述子进行选择;
将各分支最终获得的所述卷积特征描述子融合以生成包含物体级信息和细粒度信息的综合特征表示。


2.根据权利要求1所述的细粒度图像分析处理方法,其特征在于,
所述细粒度分类模型的分支的数量与所述多个区域的区域数量相对应。


3.根据权利要求1所述的细粒度图像分析处理方法,其特征在于,
所述多个区域包含背景区域和若干部件区域。


4.根据权利要求3所述的细粒度图像分析处理方法,其特征在于,
所述对所述卷积特征描述子进行选择得具体方法为:
丢弃表示背景区域的所述卷积特征描述子,保留表示部件的所述卷积特征描述子。


5.根据权利要求4所述的细粒度图像分析处理方法,其特征在于,
所述对所述卷积特征描述子进行选择得具体方法还包括:
表示物体部件的所述卷积特征描述子在不同语义分支以掩码对应的权重保留。


6.根据权利要求5所述的细粒度图像分析处理方法...

【专利技术属性】
技术研发人员:郭伶伶陈菁菁王勇李璜玮
申请(专利权)人:信雅达科技股份有限公司
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1