图像分类方法、装置、应用、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能领域，具体公开了一种图像分类方法、装置、应用、计算机设备及存储介质，通过将从待测试图像抽取出指定对象的特征向量与预设的K*N个类参数进行比较，获得K*N个相似度，将K*N个相似度组成长度为K*N的一维数组，其中，K*N个类参数表示K个类别，每个类别对应有N个类参数，所述K*N个相似度表示K个类别，每个类别对应N个相似度，将一维数组输入softmax层，获取softmax层输出的输出值，根据输出值确定所述指定对象的类别。本发明专利技术不仅可以降低模型的学习难度，还可加速模型的收敛速度，同时提高模型的分类精度，且对于处理统计分布规律差异较大的同类别数据具有明显的优越性。越性。越性。

【技术实现步骤摘要】
图像分类方法、装置、应用、计算机设备及存储介质


[0001]本专利技术涉及人工智能领域，尤其涉及一种图像分类方法、装置、应用、计算机设备及存储介质。

技术介绍

[0002]随着互联网技术的不断发展，人工智能已经深入当今人们日常生活的方方面面。比如，自动驾驶汽车、智能家居、智慧购物等，这些产品或服务极大地提高了人们的衣食住行质量。人工智能通常会涉及到目标分类，例如，人脸图像的性别分类等。
[0003]现有的人脸图像的性别分类主要采用SVM(支持向量机)、KNN(K近邻)、RandomForest(随机森林)和基于softmax的分类器。而目前被广泛使用的是基于softmax的分类器。然而，现有的基于softmax的分类器为线性分类器，其在应用于人脸图像的性别分类时，对于特征抽取的要求较高，例如，对于不同人种的性别的分类，必须要将不同人种相同性别的样本影射到空间相同位置，这样就增大了分类器的学习难度，减慢了训练时分类器的收敛速度，且分类器的识别精度也较差。
[0004]可见，现有的基于softmax的线性分类器仍存在模型学习难度大、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，包括：获取待测试图像，从所述待测试图像抽取指定对象的特征向量；将所述特征向量分别与预设的K*N个类参数进行比较，获得K*N个相似度，将所述K*N个相似度组成长度为K*N的一维数组；其中，所述K*N个类参数表示K个类别，每个类别对应有N个类参数，所述K*N个相似度表示K个类别，每个类别对应N个相似度，N≥2，K≥2；将所述一维数组输入softmax层，获取所述softmax层输出的输出值，根据所述输出值确定所述指定对象的类别。2.如权利要求1所述的图像分类方法，其特征在于，所述将所述一维数组输入softmax层，获取所述softmax层输出的第一输出值，根据所述第一输出值确定所述指定对象的类别，包括：将所述一维数组转换成K行N列的矩阵；其中，所述矩阵中的每一行元素对应为同一类别的N个相似度；确定所述矩阵中每一行元素中的最大相似度，得到K*1的第一数组；将所述第一数组输入softmax层，获取所述softmax层输出的第一输出值，根据所述第一输出值确定所述指定对象的类别。3.如权利要求2所述的图像分类方法，其特征在于，所述将所述第一数组输入softmax层，获取所述softmax层输出的第一输出值，根据所述第一输出值确定所述指定对象的类别，包括：将所述第一数组转换成1*K的第二数组；将所述第二数组输入softmax层，获取所述softmax层输出的第二输出值；根据所述第二输出值确定所述指定对象的类别。4.如权利要求3所述的图像分类方法，其特征在于，所述将所述第二数组输入softmax层，获取所述softmax层输出的第二输出值；根据所述第二输出值确定所述指定对象的类别，包括：将所述第二数组输入softmax层，获取所述softmax层输出的与所述第二数组中的K个元素对应的K个概率值；根据所述K个概率值中的最大概率值，确定所述指定对象的类别。5.一种图像分类装置，其特征在于，包括：特征向量抽取模块，用于获取待测试图像，从所述待测试图...

【专利技术属性】
技术研发人员：魏新明，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：