一种基于自编码器的图像标签方法技术

本发明专利技术的一种基于自编码器的图像标签方法，属于图像标签技术领域，包括样本图像，所述样本图像中包含有大量不同种类特征的图像，将所述样本图像输入自动编码器，所述自动编码器对每一所述样本图像按照其特征分类到同一个一级分类中，同一个一级分类中的样本图像再按照其特征分在同一个二级分类中，其中同一个样本图像可能会同时被分类到不同的一家分类或二级分类中，所述自编码器通过每个分类得到相应的标签，对所述自编码器输入待添加标签图像。本发明专利技术的有益效果是带有自定义标签的图像在识别的过程中，自定义标签不会被新确定的标签替换掉，根据图像类型适应性调整图像分类方式的目的，灵活性强且能够提升标签预测结果的准确性。准确性。准确性。

【技术实现步骤摘要】
一种基于自编码器的图像标签方法


[0001]本专利技术涉及图像标签领域，具体讲是一种基于自编码器的图像标签方法。

技术介绍

[0002]自编码器使得一类板监督学习和非监督学习中使用的日人工神经网络，其功能是通过将输入信息作为学习目标，对输出学习进行表征学习，自编码器包含编码器和解码器两个部分，安学习范围自编码器可以被分为收缩自编码器、正则自编码器和变分自编码器，其中强两者是判别模型，后者是生成模型，自编码器可以使前馈结构或递归结构的神经网络，自编码其具有一般意义上的表征学习算法的功能，被应用于降维和异常值检测，包含卷积层构筑的自编码器可被应用于计算机视觉问题，包括图像降噪、神经风格迁移等。
[0003]所涉互联网的飞速发展，图像识别技术也被广泛的应用到我们身边的诸多场景中，通过图像识别结束对图像进行识别，并且通过识别后的结果对图像添加标签，用以表达图像的特征内容，使得使用者可以使用图像搜索到图像内容相关的东西，比如用一张含有鱼的图像通过扫描后可被添加“鱼”、“草鱼”、“四大家鱼之一”等标签，然而现有技术在对图像进行识别的时候如果带有自定义标签会被新确定出来的标签顶替，并且真实的使用场景下，很多图像并不需要过多的标签，过多的表现反而会给用户在成困扰，并且过多的标签需要的运算能力更强，所占用的计算资源更多，运算时间更久，反而会降低效率。
[0004]以上现有技术具有以下问题：
[0005](1)带有自定义标签的图像在识别的过程中，自定义标签会被新确定的标签替换掉；
[0006](2)现有算法在为很多不需要过多标签数量的图像添加标签时，会过多的添加标签，使得占用过多的计算资源，运算时间过程，并且给用户造成不便。

技术实现思路

[0007]本专利技术的目的在于提供一种基于自编码器的图像标签方法，以解决上述
技术介绍
中提出的问题。
[0008]本专利技术的技术方案是：包括样本图像，所述样本图像中包含有大量不同种类特征的图像，将所述样本图像输入自动编码器，所述自动编码器对每一所述样本图像按照其特征分类到同一个一级分类中，同一个一级分类中的样本图像再按照其特征分在同一个二级分类中，其中同一个样本图像可能会同时被分类到不同的一家分类或二级分类中，所述自编码器通过每个分类得到相应的标签，对所述自编码器输入待添加标签图像，所述图像被自编码器降维处理，得到该图像的特征图，所述特征图与每一个分类都有对应的特征向量，所述分类下的每个特征特征向量都包含有多个点，每个所述点与所对应分类之间都有一个概率值，根据概率值将概率值最高的前N个标签确定为该图像的待添加标签，其中N可以为不小于1的预设值，判断所述图像是否存在自定义标签，如果所述图像中存在自定义标签，所述待添加标签中存在自定义标签，则，保留所述自定义标签，将所述图像当前待添加标签
中所述自定义标签之外的其它标签更新为本次所述图像的待添加图像标签，所述待添加标签图像最终对应的待添加标签数量为A，所述A的数值为不小于1的预设数值，所述待添加标签的数量+自定义标签的数量＝A，当所述待添加标签的数量+自定义标签的数量大于A时，在所述待添加标签中从概率销较小的标签开始删减直至待添加标签的数量+自定义标签的数量＝A。
[0009]进一步的，所述自编码器在对样本图像进行分类前，所述方法还包括，针对各个分类建立所对应的样本图像；初始化图像标签分类模型；对自编码器进行基于各分类中的样本图像所对应的标签的分类训练。
[0010]进一步的，所述图像处理方法还包括，在接收图像时分析所述图像的备注信息，所述备注信息添加为该图像的自定义标签。
[0011]进一步的，所述自定义标签设置预设的第一标识，检测所述待添加标签中是否有与自定义标签重合的待添加标签包括，检测所述待添加标签中是否存在设置有第一标识的图像标签，若所有所述待添加标签中存在有设置有第一标识的待添加标签，则判定待添加标签中有带有第一标识的待添加标签，若所有所述待添加标签中不存在设置有第一标识的待添加标签，则判定待添加标签中没有带第一标识的待添加标签。
[0012]进一步的，检测所述待添加标签中是否存在自定义标签后，所述待添加标签中存在自定义标签，则将所有所述待添加标签中的自定义标签取出，剩余所述待添加标签定位盖图像标签，所述待添加图像中若不存在自定义标签，则在所有所述待添加标签中概率值最低的一个待添加标签去除，剩余所述待添加标签设为改图像的标签。
[0013]进一步的，将待添加标签图像输入自编码器中获得特征图的步骤包括，将待添加标签图像输入自编码器中，确定所述待添加标签图标的第一特征图，对所述第一特征图进行降维处理，得到第二特征图；所述第二特征图进行平均池化，得到所述第二特征图所对应的特征向量。
[0014]本专利技术通过改进在此提供一种基于自编码器的图像标签方法，与现有技术相比，具有如下改进及优点：
[0015]其一：本专利技术通过对自定义标签设置预设第一标识，检测待添加标签中是否有与自定义标签重合的待添加标签包括，检测待添加标签中是否存在设置有第一标识的图像标签，若所有待添加标签中存在有设置有第一标识的待添加标签，则判定待添加标签中有带有第一标识的待添加标签，若所有待添加标签中不存在设置有第一标识的待添加标签，则判定待添加标签中没有带第一标识的待添加标签，在检测待添加标签中是否存在自定义标签后，待添加标签中存在自定义标签，则将所有待添加标签中的自定义标签取出，剩余待添加标签定位盖图像标签，待添加图像中若不存在自定义标签，则在所有待添加标签中概率值最低的一个待添加标签去除，剩余待添加标签设为改图像的标签，从而达到带有自定义标签的图像在识别的过程中，自定义标签不会被新确定的标签替换掉；
[0016]其二：本专利技术使用卷积神经网络为被训练样本集采用反向传播算法最小化交叉熵损失函数，以调整卷积神经网络的权重进行训练，并将训练好的卷积神经网络的权重进行重新加载，以提取训练样本集的样本网络特征集和待标注图像的测试网络特征集；根据样本网络特征集、测试网络特征集及标签集合，计算待标注图像属于标签集合中每类标签的概率，生成标签概率集；最后根据标签概率集，为待标注图像的进行标签标注通过事先对一
个或多个自编码进行像训练，训练出包含多个语义层级分类器的标签识别模型，将图像输入卷积神经网络中通过卷积神经网络确定图像的特征图，将特征图输入多标签模型中的各语义层级分类器中，通过各语义层级分类器分别预测输出与该图像匹配的标签，由于各语义层级分类器代表不同的语义层级，因此所输出的也是表示不同层级的标签，从而准确识别出图像的所属的类别，将图像输入卷积架构的自编码器中确定图像的特征图，对特征图进项分类分析对应的标签，挑选出A个概率值最高的一级分类，然后在这些一级分类中分别挑出A个二级分类，然后在这些一级分类和二级分类挑出概率至最大的A个标签，因此在进行预测时根据图像类型适应性调动相应分类任务进行标签预测，从而达到根据图像类型适应性调整图像分类方式的目的，灵活性强且能够提升标签预测结果的准确性。
附图说明<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自编码器的图像标签方法，其特征在于：包括样本图像，所述样本图像中包含有大量不同种类特征的图像，将所述样本图像输入自动编码器，所述自动编码器对每一所述样本图像按照其特征分类到同一个一级分类中，同一个一级分类中的样本图像再按照其特征分在同一个二级分类中，其中同一个样本图像可能会同时被分类到不同的一级分类或二号机分类中，所述自编码器通过每个分类得到相应的标签，对所述自编码器输入待添加标签图像，所述图像被自编码器降维处理，得到该图像的特征图，所述特征图与每一个分类都有对应的特征向量，所述分类下的每个特征特征向量都包含有多个点，每个所述点与所对应分类之间都有一个概率值，根据概率值将概率值最高的前N个标签确定为该图像的待添加标签，其中N可以为不小于1的预设值，判断所述图像是否存在自定义标签，如果所述图像中存在自定义标签，所述待添加标签中存在自定义标签，则，保留所述自定义标签，将所述图像当前待添加标签中所述自定义标签之外的其它标签更新为本次所述图像的待添加图像标签，所述待添加标签图像最终对应的待添加标签数量为A，所述A的数值为不小于1的预设数值，所述待添加标签的数量+自定义标签的数量＝A，当所述待添加标签的数量+自定义标签的数量大于A时，在所述待添加标签中从概率销较小的标签开始删减直至待添加标签的数量+自定义标签的数量＝A。2.根据权利要求1所述的一种基于自编码器的图像标签方法，其特征在于：所述自编码器在对样本图像进行分类前，所述方法还包括，针对各个分类建立所对应的样本图像；初始化图像标签分...

【专利技术属性】
技术研发人员：夏为，
申请(专利权)人：深圳市华诚设计开发有限公司，
类型：发明
国别省市：