本申请公开了一种分类网络的训练方法、图像分类方法、电子设备及计算机可读存储介质。该训练方法包括：获取到训练集，每个样本图像序列包括同一个待分类对象的多张样本图像；利用分类网络提取样本图像序列的第一特征，利用分割网络对样本图像序列处理得到第一处理结果；利用分类网络基于第一特征和第一处理结果对样本图像序列进行分类，得到第一分类结果；基于第一分类结果调整所述分类网络的参数。通过上述方式，能够提高对分类网络的训练效果。能够提高对分类网络的训练效果。能够提高对分类网络的训练效果。
【技术实现步骤摘要】
分类网络的训练方法、图像分类方法及相关设备
[0001]本申请涉及图像处理领域，特别是涉及一种分类网络的训练方法、图像分类方法、电子设备及计算机可读存储介质。
技术介绍
[0002]在医学、金融、交通等领域经常会用到图像分类技术。目前，基于深度学习的图像分类技术的热度越来越高，其是将待分类对象的图像/图像序列输入分类网络，以利用分类网络对图像/图像序列分类，以确定待分类对象的类别。一般来说，为保证分类效果，将分类网络投入分类应用之前，需要将其进行训练至预期。
[0003]但是，现有的训练方法对分类网络的训练效果不好，影响后续对待分类对象分类的准确度。
技术实现思路
[0004]本申请提供一种分类网络的训练方法、图像分类方法、电子设备及计算机可读存储介质，能够解决现有的对分类网络的训练效果不好的问题。
[0005]为解决上述技术问题，本申请采用的一个技术方案是：提供一种分类网络的训练方法、图像分类方法、电子设备及存储介质。该训练方法包括：获取到训练集，训练集包括多个样本图像序列，每个样本图像序列包括同一个待分类对象的多张样本图像；利用分类网络提取样本图像序列的第一特征，利用分割网络对样本图像序列处理得到第一处理结果，分割网络是在训练集上训练得到的，且在对分割网络训练的过程中分割网络用于对样本图像序列对应的类别相关位置进行语义分割；利用分类网络基于第一特征和第一处理结果对样本图像序列进行分类，得到第一分类结果，第一分类结果用于表示待分类对象的类别；基于第一分类结果调整所述分类网络的参数。<br/>[0006]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种图像分类方法，该方法包括：获取目标图像序列，目标图像序列包括多张目标图像；将目标图像序列输入分类网络，得到目标图像序列的分类结果，目标图像序列的分类结果用于表示目标的类别；其中，分类网络是基于前述所述的训练方法训练得到的。
[0007]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，该电子设备包括处理器、与处理器连接的存储器，其中，存储器存储有程序指令；处理器用于执行存储器存储的程序指令以实现上述方法。
[0008]为解决上述技术问题，本申请采用的又一个技术方案是：提供一种计算机可读存储介质，存储有程序指令，该程序指令被执行时能够实现上述方法。
[0009]通过上述方式，本申请在对分类网络训练的过程中，分类网络基于第一特征对样本图像序列进行分类时，额外考虑了分割网络对样本图像序列的第一处理结果。由于分割网络是利用训练集训练得到的，且在对分割网络的训练过程中，分割网络用于对样本图像序列进行类别相关位置的语义分割，从而第一处理结果能够辅助分类网络对样本图像序列
的分类，提高第一分类结果的准确度。故，本申请能够提高对分类网络的训练效果。并且，训练得到的分类网络可以基于对应的图像序列实现对待分类对象的端到端分类，无需人工参与，不仅能够提高分类结果的准确度，还能够提高分类结果的效率、减少所需耗费的资源。
附图说明
[0010]图1是本申请分类网络的训练方法实施例一的流程示意图；
[0011]图2是本申请分类网络的训练方法实施例二的流程示意图；
[0012]图3是本申请分类网络和分割网络的一结构示意图；
[0013]图4是本申请分类网络/分割网络中编码块的一结构示意图；
[0014]图5是本申请重校准层的实现原理示意图；
[0015]图6是本申请AFF模块的实现原理示意图；
[0016]图7是本申请MS
‑
CAM的实现原理示意图；
[0017]图8是本申请分类网络的训练方法实施例三的流程示意图；
[0018]图9是S31
‑
S33的实现原理示意图；
[0019]图10是本申请分类网络和分割网络的另一结构示意图；
[0020]图11是本申请分类网络/分割网络中编码块的另一结构示意图；
[0021]图12是本申请分类网络的训练方法实施例四的流程示意图；
[0022]图13是本申请分类网络的训练方法实施例五的流程示意图；
[0023]图14是本申请图像分类方法实施例一的流程示意图；
[0024]图15是本申请电子设备一实施例的结构示意图；
[0025]图16是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0026]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0027]本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0028]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
[0029]在介绍本申请提供的方法之前，先对分类网络及分割网络的训练模式进行说明。训练模式可以有多种，以下列举两种实现方式：
[0030]第一种，先在训练集(后面有涉及，此处不赘述)上对分割网络进行训练。在对分割网络的训练达到预期之后，对经训练的分割网络和分类网络的联合模型进行训练。联合训
练过程实质是对分类网络进行训练，分割网络起到辅助的作用。
[0031]第二种，无需先对分割网络进行训练，而是直接对分割网络和分类网络的联合模型进行训练。
[0032]此外，在经过上述训练之后，还利用验证集、测试集分别对经训练的联合模型进行验证、测试。其中，训练集、验证集和测试集是对原始数据集进行拆分得到的。例如拆分比例可以为6:2:2。
[0033]图1是本申请分类网络的训练方法实施例一的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例可以包括：
[0034]S11：获取到训练集。
[0035]训练集包括多个样本图像序列，每个样本图像序列包括同一待分类对象的多张样本图像。
[0036]本申请涉及的待分类对象包括但不限于医学、交通、金融领域的对象。例如，待分类对象可以为生物组织、车牌等等。需要说明的是，本申请是以分类网络基于待分类对象的图像序列进行分类。在其他实现方式下，分类网络也可以是基于待分类对象的多张图像来进行分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分类网络的训练方法，其特征在于，包括：获取到训练集，所述训练集包括多个样本图像序列，每个所述样本图像序列包括同一个待分类对象的多张样本图像；利用所述分类网络提取所述样本图像序列的第一特征，利用分割网络对所述样本图像序列处理得到第一处理结果，所述分割网络是在所述训练集上训练得到的，且在对所述分割网络训练的过程中所述分割网络用于对所述样本图像序列对应的类别相关位置进行语义分割；利用分类网络基于所述第一特征和所述第一处理结果对所述样本图像序列进行分类，得到第一分类结果，所述第一分类结果用于表示所述待分类对象的类别；基于所述第一分类结果调整所述分类网络的参数。2.根据权利要求1所述的训练方法，其特征在于，所述利用分类网络基于所述第一特征和所述第一处理结果对所述样本图像序列进行分类，得到第一分类结果，包括：利用所述分类网络基于所述第一处理结果对所述第一特征进行调整，以调整对所述第一特征的注意力；利用经调整的第一特征对所述样本图像序列进行分类，得到所述第一分类结果。3.根据权利要求2所述的训练方法，其特征在于，所述利用所述分类网络基于所述第一处理结果对所述第一特征进行调整，以调整对所述第一特征的注意力，包括：利用所述分类网络基于所述第一处理结果获取所述第一特征对应的注意力权重；利用所述分类网络对所述第一特征与所述注意力权重进行相乘处理，得到相乘特征；所述利用所述分类网络基于经调整的第一特征对所述样本图像序列进行分类，得到所述第一分类结果，包括：利用所述分类网络基于所述相乘特征对所述样本图像序列进行分类，得到所述第一分类结果。4.根据权利要求3所述的训练方法，其特征在于，所述利用所述分类网络基于所述第一处理结果获取所述第一特征对应的注意力权重，包括：利用所述分类网络获取与所述第一处理结果相适应的卷积核；利用所述分类网络基于所述卷积核对所述第一处理结果进行卷积，得到所述注意力权重。5.根据权利要求2所述的训练方法，其特征在于，所述第一处理结果为所述样本图像序列的第二特征，所述利用所述分类网络基于所述第一处理结果对所述第一特征进行调整，以调整对所述第一特征的注意力，包括：利用所述分类网络对所述第一特征和所述第二特征融合，得到融合特征；所述利用经调整的第一特征对所述样本图像序列进行分类，得到所述第一分类结果，包括：利用所述分类网络对所述融合特征分类，得到所述第一分类结果。6.根据权利要求5所述的训练方法，其特征在于，所述第一特征有多个，多个所述第一特征构成第一特征金字塔，所述第二特征有多个，多个所述...
【专利技术属性】
技术研发人员：崔婵婕，任宇鹏，汪婷，黄积晟，李乾坤，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
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。