一种图像分类方法、系统、电子设备及存储介质技术方案

本申请公开了一种图像分类方法，包括：设置图像分类模型的目标激活函数；确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别，本申请能够提高图像分类准确率。本申请还公开了一种图像分类系统、一种存储介质及一种电子设备，具有以上有益效果。具有以上有益效果。具有以上有益效果。

An image classification method, system, electronic equipment and storage medium

【技术实现步骤摘要】
一种图像分类方法、系统、电子设备及存储介质


[0001]本申请涉及人工智能领域，特别涉及一种图像分类方法、系统、电子设备及存储介质。

技术介绍

[0002]随着图像分类领域新需求的不断出现，现有的图像分类模型训练过程中场景分类越来越精细，需要模型对各种场景的包容度也越来越高，仅在普通场景有较高的识别率已经不能满足现有需求。由于常规的训练集中并没有这些特殊场景的数据，因此需要加入更全面、复杂、困难场景的训练数据，以提高模型的灵活性和泛化性。但这些复杂场景的训练数据往往和已有训练数据差别较大，当加入这种场景的数据时，常规的激活函数按通道对神经元进行相同的激活操作，丰富的训练数据没有得到充分利用，不利于提高模型的泛化性，降低了图像分类的准确率。
[0003]因此，如何提高图像分类准确率是本领域技术人员目前需要解决的技术问题。

技术实现思路

[0004]本申请的目的是提供一种图像分类方法、系统、一种电子设备及一种存储介质，能够提高图像分类准确率。
[0005]为解决上述技术问题，本申请提供一种图像分类方法，该图像分类方法包括：
[0006]设置图像分类模型的目标激活函数；其中，所述目标激活函数包括自适应参数和可训练参数，所述自适应参数用于控制神经元是否进行激活操作，所述可训练参数用于控制激活操作的程度；
[0007]确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；
[0008]根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；
[0009]若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别。
[0010]可选的，根据所述样本特征矩阵计算损失函数值，包括：
[0011]将所述图像样本的样本特征矩阵与对应的样本标签矩阵相乘，得到每一所述图像样本的正确分类特征值；
[0012]将所述正确分类特征值、固定角度间隔和区间随机参数相加，得到训练样本与正确分类类中心的相似度；其中，所述区间随机参数为正态分布函数的值；
[0013]根据所述相似度计算损失函数值。
[0014]可选的，所述图像分类模型的损失函数L
Delta
为：
[0015][0016]N为所述当前批次样本的样本数，i为第i个样本，e为自然对数，s为归一化超球体的弧度，n为类别总数，j为第j个类别，cosθ
yi
为第i个样本的正确分类特征值，cosθ
j
为第i个样本除了正确分类之外其他错误分类的特征值，y
i
为第i个样本的标签，m为角度间隔，Δ为区间随机参数。
[0017]可选的，设置图像分类模型的目标激活函数，包括：
[0018]将所述图像分类模型最后N个block的激活函数设置为所述目标激活函数。
[0019]可选的，所述目标激活函数Y
Ada
为：
[0020][0021]a1和a2为所述可训练参数，β为所述自适应参数，x为所述目标激活函数的输入特征。
[0022]可选的，所述自适应参数的计算过程包括：对所述目标激活函数的输入特征在高和宽两个维度上进行全局平均池化操作得到目标特征，对所述目标特征执行卷积计算得到所述自适应参数；
[0023]相应的，还包括：
[0024]根据所述自适应参数和所述目标激活函数的输入特征，计算目标激活函数值。
[0025]可选的，对所述目标特征执行卷积计算得到所述自适应参数，包括：
[0026]对所述目标特征执行输出通道为C/r和C的1
×
1卷积计算，得到所述自适应参数；C为所述目标激活函数的输入特征的通道数，r为缩放系数。
[0027]本申请还提供了一种图像分类系统，该系统包括：
[0028]激活参数设置模块，用于设置图像分类模型的目标激活函数；其中，所述目标激活函数包括自适应参数和可训练参数，所述自适应参数用于控制神经元是否进行激活操作，所述可训练参数用于控制激活操作的程度；
[0029]激活函数模块，用于确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；
[0030]更新模块，用于根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；
[0031]分类模块，用于若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别。
[0032]本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述图像分类方法执行的步骤。
[0033]本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述图像分类方法执行的步骤。
[0034]本申请提供了一种图像分类方法，包括：设置图像分类模型的目标激活函数；其中，所述目标激活函数包括自适应参数和可训练参数，所述自适应参数用于控制神经元是
否进行激活操作，所述可训练参数用于控制激活操作的程度；确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别。
[0035]本申请设置图像分类模型的目标激活函数，目标激活函数包括自适应参数和可训练参数。在确定当前批次样本后可以利用上述目标激活函数得到对应的样本特征矩阵。由于激活函数中的自适应参数可以控制神经元是否进行激活操作，可训练参数可以控制激活操作的程度，图像分类模型能够对当前批次样本选择是否进行激活以及进行何种程度的激活操作，进而充分利用当前批次样本。通过上述方式训练得到的图像分类模型具有较好的泛化性，能够提高图像分类准确率。本申请同时还提供了一种图像分类系统、一种存储介质和一种电子设备，具有上述有益效果，在此不再赘述。
附图说明
[0036]为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本申请实施例所提供的一种图像分类方法的流程图；
[0038]图2为本申请实施例所提供的一种Arcface loss的分类边界划分示意图；
[0039]图3为本申请实施例所提供的一种Delta_arcface loss的分类边界划分示意图；
[0040]图4为本申请实施例所提供的一种图像分类系统的结构示意图。
具体实施方式
[0041]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本文档来自技高网...

【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：设置图像分类模型的目标激活函数；其中，所述目标激活函数包括自适应参数和可训练参数，所述自适应参数用于控制神经元是否进行激活操作，所述可训练参数用于控制激活操作的程度；确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别。2.根据权利要求1所述图像分类方法，其特征在于，根据所述样本特征矩阵计算损失函数值，包括：将所述图像样本的样本特征矩阵与对应的样本标签矩阵相乘，得到每一所述图像样本的正确分类特征值；将所述正确分类特征值、固定角度间隔和区间随机参数相加，得到训练样本与正确分类类中心的相似度；其中，所述区间随机参数为正态分布函数的值；根据所述相似度计算损失函数值。3.根据权利要求2所述图像分类方法，其特征在于，所述图像分类模型的损失函数L
Delta
为：N为所述当前批次样本的样本数，i为第i个样本，e为自然对数，s为归一化超球体的弧度，n为类别总数，j为第j个类别，cosθ
yi
为第i个样本的正确分类特征值，cosθ
j
为第i个样本除了正确分类之外其他错误分类的特征值，y
i
为第i个样本的标签，m为角度间隔，Δ为区间随机参数。4.根据权利要求1所述图像分类方法，其特征在于，所述设置图像分类模型的目标激活函数，包括：将所述图像分类模型最后N个block的激活函数设置为所述目标激活函数。5.根据权利要求1所述图像分类方法，其特征在于，所述目标激活函数Y
Ada
...

【专利技术属性】
技术研发人员：王薷泉，谢会斌，李聪廷，杨治昆，
申请(专利权)人：济南博观智能科技有限公司，
类型：发明
国别省市：