本发明专利技术公开了一种图像分类方法、装置、设备及存储介质，属于图像处理技术领域。本发明专利技术的图像分类方法包括获取图像训练集和参考特征图；根据参考特征图构建注意力机制模块；根据注意力机制模块和预设的卷积模块构建图像分类模型；利用图像训练集对图像分类模型进行训练，得到训练后的图像分类模型；根据训练后的图像分类模型对目标图像进行分类处理；其中，注意力机制模块为基于局部注意力的注意力机制模块。这种图像分类方法能够更为准确地对图像的特征信息进行识别，提高分类准确性。提高分类准确性。提高分类准确性。
【技术实现步骤摘要】
图像分类方法、装置、设备及存储介质
[0001]本专利技术涉及图像处理
，尤其涉及一种图像分类方法、装置、设备及存储介质。
技术介绍
[0002]目前，在对图像分类时，常常通过对图像的特征信息进行识别分析来实现对图像的分类，往往无法准确地对图像的特征信息进行识别，影响分类准确性，因此，如何提供一种图像分类方法，更为准确地对图像的特征信息进行识别，提高分类准确性，成为了亟待解决的问题。
技术实现思路
[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种图像分类方法，能够更为准确地对图像的特征信息进行识别，提高分类准确性。
[0004]本专利技术还提出一种具有上述图像分类方法的图像分类装置。
[0005]本专利技术还提出一种具有上述图像分类方法的图像分类设备。
[0006]本专利技术还提出一种计算机可读存储介质。
[0007]根据本专利技术的第一方面实施例的图像分类方法，包括：
[0008]获取图像训练集和参考特征图；
[0009]根据所述参考特征图构建注意力机制模块；
[0010]根据所述注意力机制模块和预设的卷积模块构建图像分类模型；
[0011]利用所述图像训练集对所述图像分类模型进行训练，得到训练后的图像分类模型；
[0012]根据训练后的图像分类模型对目标图像进行分类处理；
[0013]其中，所述注意力机制模块为基于局部注意力的注意力机制模块。
[0014]根据本专利技术实施例的图像分类方法，至少具有如下有益效果：这种图像分类方法通过获取图像训练集和参考特征图，利用参考特征图构建基于局部注意力的注意力机制模块。进而根据基于局部注意力的注意力机制模块和预设的卷积模块构建图像分类模型。利用图像训练集对图像分类模型进行训练，得到训练后的图像分类模型，最后根据训练后的图像分类模型对目标图像进行分类处理，该方法通过采用基于局部注意力的注意力机制模块能够更为准确地识别图像的局部特征，提高分类准确性。
[0015]根据本专利技术的一些实施例，所述根据所述参考特征图构建注意力机制模块，包括：
[0016]将所述参考特征图输入到所述注意力机制模块中，对所述参考特征图进行分割处理，得到局部特征图；
[0017]对所述局部特征图进行通道相加处理，得到融合特征图；
[0018]对所述融合特征图进行压缩处理，得到每一局部特征图的全局特征表达值；
[0019]根据所述全局特征表达值，得到每一局部特征图的区域特征参数；
[0020]根据所述区域特征参数，确定每一局部特征图的相对权重；
[0021]根据所述相对权重和所述局部特征图，得到加权的局部特征图；
[0022]对所有所述加权的局部特征图进行拼接处理，生成目标特征图。
[0023]根据本专利技术的一些实施例，所述将所述参考特征图输入到所述注意力机制模块中，对所述参考特征图进行分割处理，得到局部特征图，包括：
[0024]根据预设的分割比例和预设的分割方向对所述参考特征图进行分割处理，得到局部特征图。
[0025]根据本专利技术的一些实施例，所述对所述融合特征图进行压缩处理，得到每一局部特征图的全局特征表达值，包括：
[0026]采用全局均匀池化、全局最大值池化、全局方差池化中的至少一种对所述融合特征图的空域信息进行压缩处理，得到每一局部特征图的全局特征表达值。
[0027]根据本专利技术的一些实施例，所述根据所述全局特征表达值，得到每一局部特征图的区域特征参数，包括：
[0028]根据至少一个卷积层和至少一个Relu函数对所述全局特征表达值进行编码处理，得到编码形式的全局特征表达值；
[0029]根据至少两个卷积层对所述局部特征图之间的通道关系进行重构，得到新的通道关系；
[0030]根据所述新的通道关系对所述编码形式的全局特征表达值进行特征提取，得到每一局部特征图的区域特征参数。
[0031]根据本专利技术的一些实施例，所述根据所述区域特征参数，确定每一局部特征图的相对权重，包括：
[0032]根据预设的赋值函数对所述区域特征参数进行赋值处理，得到每一局部特征图的相对权重。
[0033]根据本专利技术的一些实施例，所述根据所述相对权重和所述局部特征图，得到加权的局部特征图，包括：
[0034]对每一所述局部特征图和所述局部特征图对应的相对权重进行通道乘积处理，得到加权的局部特征图。
[0035]根据本专利技术的第二方面实施例的图像分类装置，包括：
[0036]获取模块，用于获取图像训练集和参考特征图；
[0037]注意力机制模块构建模块，用于根据所述参考特征图构建注意力机制模块；
[0038]图像分类模型构建模块，用于根据所述注意力机制模块和预设的卷积模块构建图像分类模型；
[0039]图像分类模型训练模块，用于利用所述图像训练集对所述图像分类模型进行训练，得到训练后的图像分类模型；
[0040]图像分类模块，用于根据训练后的图像分类模型对目标图像进行分类处理；
[0041]其中，所述注意力机制模块是基于局部注意力的注意力机制模块。
[0042]根据本专利技术实施例的图像分类装置，至少具有如下有益效果：这种图像分类装置通过获取模块获取图像训练集和参考特征图，注意力机制模块构建模块利用参考特征图构建基于局部注意力的注意力机制模块。进而图像分类模型构建模块根据基于局部注意力的
注意力机制模块和预设的卷积模块构建图像分类模型。图像分类模型训练模块利用图像训练集对图像分类模型进行训练，得到训练后的图像分类模型，最后图像分类模块根据训练后的图像分类模型对目标图像进行分类处理，该装置通过采用基于局部注意力的注意力机制模块能够更为准确地识别图像的局部特征，提高分类准确性。
[0043]根据本专利技术的第三方面实施例的图像分类设备，包括：
[0044]至少一个处理器，以及，
[0045]与所述至少一个处理器通信连接的存储器；其中，
[0046]所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的图像分类方法。
[0047]根据本专利技术实施例的图像分类设备，至少具有如下有益效果：这种图像分类设备采用上述图像分类方法，通过获取图像训练集和参考特征图，利用参考特征图构建基于局部注意力的注意力机制模块。进而根据基于局部注意力的注意力机制模块和预设的卷积模块构建图像分类模型。利用图像训练集对图像分类模型进行训练，得到训练后的图像分类模型，最后根据训练后的图像分类模型对目标图像进行分类处理，该方法通过采用基于局部注意力的注意力机制模块能够更为准确地识别图像的局部特征，提高分类准确性。
[0048]根据本专利技术的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.图像分类方法，其特征在于，包括：获取图像训练集和参考特征图；根据所述参考特征图构建注意力机制模块；根据所述注意力机制模块和预设的卷积模块构建图像分类模型；利用所述图像训练集对所述图像分类模型进行训练，得到训练后的图像分类模型；根据训练后的图像分类模型对目标图像进行分类处理；其中，所述注意力机制模块为基于局部注意力的注意力机制模块。2.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述参考特征图构建注意力机制模块，包括：将所述参考特征图输入到所述注意力机制模块中，对所述参考特征图进行分割处理，得到局部特征图；对所述局部特征图进行通道相加处理，得到融合特征图；对所述融合特征图进行压缩处理，得到每一局部特征图的全局特征表达值；根据所述全局特征表达值，得到每一局部特征图的区域特征参数；根据所述区域特征参数，确定每一局部特征图的相对权重；根据所述相对权重和所述局部特征图，得到加权的局部特征图；对所有所述加权的局部特征图进行拼接处理，生成目标特征图。3.根据权利要求2所述的图像分类方法，其特征在于，所述将所述参考特征图输入到所述注意力机制模块中，对所述参考特征图进行分割处理，得到局部特征图，包括：根据预设的分割比例和预设的分割方向对所述参考特征图进行分割处理，得到局部特征图。4.根据权利要求2所述的图像分类方法，其特征在于，所述对所述融合特征图进行压缩处理，得到每一局部特征图的全局特征表达值，包括：采用全局均匀池化、全局最大值池化、全局方差池化中的至少一种对所述融合特征图的空域信息进行压缩处理，得到每一局部特征图的全局特征表达值。5.根据权利要求2所述的图像分类方法，其特征在于，所述根据所述全局特征表达值，得到每一局部特征图的区域特征参数，包括：根据至少一个卷积层和至少一个Relu函数对...
【专利技术属性】
技术研发人员：刘江，章晓庆，肖尊杰，东田理沙，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：
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。