图像分类方法以及相关装置、设备制造方法及图纸

本申请公开了图像分类方法以及相关装置、设备，其中，图像分类方法包括：获取到待分类图像；对待分类图像进行特征提取，得到待分类图像的特征向量；对特征向量进行第一分类处理、第二分类处理、前景检测以及特征分类处理，得到特征向量的第一分类结果、第二分类结果、前景检测结果以及特征分类结果；基于第一分类结果、第二分类结果、前景检测结果以及特征分类结果得到待分类图像的分类结果；其中，第二分类处理的分类类型包括第一分类处理的分类类型及其对应的子类型，且第二分类处理的分类类型与特征分类的分类类型相同。上述方案，能够提高图像分类精度。提高图像分类精度。提高图像分类精度。

【技术实现步骤摘要】
图像分类方法以及相关装置、设备


[0001]本申请涉及图像分类的
，特别是涉及图像分类方法以及相关装置、设备。

技术介绍

[0002]随着科学技术的不断发展，图像分类技术被广泛用来解决各种问题，例如，通过深度学习模型实现图像识别、行人检测以及医学诊断等问题。
[0003]图像分类方案通过监督学习把不同类别的图像区分开来。相比于检测，分割，跟踪技术，分类技术方案具有处理速度快，标注简单的优势。目前分类任务采用的监督信息是将单张图像分为一个大类，特征层主要提取的是全局类信息。
[0004]上述分类方案在提取图像特征时，模型始终关注全局特征。在处理复杂背景的图像时，分类精度往往较低。

技术实现思路

[0005]本申请提供了图像分类方法以及相关装置、设备，解决现有技术中存在的图像分类精度较低的问题。
[0006]本申请提供了一种图像分类方法，包括：获取到待分类图像；对待分类图像进行特征提取，得到待分类图像的特征向量；对特征向量进行第一分类处理、第二分类处理、前景检测以及特征分类处理，得到特征向量的第一分类结本文档来自技高网...

【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，所述图像分类方法包括：获取到待分类图像；对所述待分类图像进行特征提取，得到所述待分类图像的特征向量；对所述特征向量进行第一分类处理、第二分类处理、前景检测以及特征分类处理，得到所述特征向量的第一分类结果、第二分类结果、前景检测结果以及特征分类结果；基于所述第一分类结果、所述第二分类结果、所述前景检测结果以及所述特征分类结果得到所述待分类图像的分类结果；其中，所述第二分类处理的分类类型包括第一分类处理的分类类型及其对应的子类型，且所述第二分类处理的分类类型与所述特征分类的分类类型相同。2.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述第一分类结果、所述第二分类结果、所述前景检测结果以及所述特征分类结果得到所述待分类图像的分类结果的步骤包括：响应于所述第二分类结果的分类类型与所述特征分类结果的分类类型相同，且所述第二分类结果为所述第一分类结果或所述第一分类结果对应的子类型，将逻辑组合后的所述第二分类结果以及所述前景检测结果确定为所述待分类图像的分类结果。3.根据权利要求1所述的图像分类方法，其特征在于，所述第一分类结果包括所述第一分类处理的各分类类型的置信度，所述第二分类结果包括第二分类处理的各分类类型的置信度，所述特征分类结果包括所述特征分类处理的各分类类型的置信度；所述基于所述第一分类结果、所述第二分类结果、所述前景检测结果以及所述特征分类结果得到所述待分类图像的分类结果的步骤包括：将第二分类处理的各分类类型的置信度分别与对应的所述第一分类处理的各分类类型的置信度以及对应的所述特征分类处理的各分类类型的置信度进行乘积处理，得到多个乘积数值；将数值最大的乘积数值对应的第二分类处理的分类类型以及所述前景检测结果进行逻辑组合，得到所述待分类图像的分类结果。4.根据权利要求1
‑
3任一项所述的图像分类方法，其特征在于，所述对所述特征向量进行第一分类处理、第二分类处理、前景检测以及特征分类处理，得到所述特征向量的第一分类结果、第二分类结果、前景检测结果以及特征分类结果的步骤包括：对所述特征向量进行前景检测，得到所述特征向量的前景检测结果；分别对所述特征向量的前景检测结果进行第一分类处理、第二分类处理以及特征分类处理，得到所述特征向量的第一分类结果、所述特征向量的第二分类结果以及所述特征向量的特征分类结果。5.根据权利要求1
‑
3任一项所述的图像分类方法，其特征在于，所述对所述待分类图像进行特征提取，得到所述待分类图像的特征向量的步骤包括：通过图像分类模型的特征提取网络对所述待分类图像进行特征提取，得到所述待分类图像的特征向量；所述分别对所述特征向量进行第一分类处理、第二分类处理、前景检测以及特征分类处理，得到所述特征向量的第一分类结果、所述特征向量的第二分类结果、所述特征向量的前景检测结果以及所述特征向量的特征分类结果的步骤包括：
通过所述图像分类模型的前景检测网络对所述特征向量进行前景检测处理，得到所述特征向量的前景检测结果；以及通过所述图像分类模型的第一分类网络对所述特征向量进行第一分类处理，得到所述特征向量的第一分类结果；以及通过所述图像分类模型的第二分类网络对所述特征向量进行第二分类处理，得到所述特征向量的第二分类结果；以及利用特征标准库对所述特征向量进行特征分类处理，得到所述特征向量的特征分类结果；其中，所述图像分类模型至少包括特征提取网络、第一分类网络、第二分类网络以及前景检测网络，所述特征提取网络分别与所述第一分类网络、所述第二分类网络以及所述前景检测网络相互级联。6.根据权利要求5所述的图像分类方法，其特征在于，所述利用特征标准库对所述特征向量进行特征分类处理，得到所述特征向量的特征分类结果的步骤包括：将所述特征向量分别与特征标准库中的各标准特征向量进行余弦相似度处理，得到所述特征向量与各标准特征向量之间的相似度；将相似度最大的标准特征向量对应的分类类型确定为所述特征向量的特征分类结果。7.根据权利要求1所述的图像分类方法，其特征在于，所述获取到待分类图像的步骤之前包括：获取到多张训练图像；通过训练中的图像分类模型的特征提取网络分别对各所述训练图像进行特...

【专利技术属性】
技术研发人员：张枫，
申请(专利权)人：广州虎牙科技有限公司，
类型：发明
国别省市：