图像分类方法和装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种图像分类方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取目标图像；将目标图像输入至预先训练好的分类模型，其中，分类模型基于SE

【技术实现步骤摘要】
图像分类方法和装置、电子设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种图像分类方法和装置、电子设备及存储介质。

技术介绍

[0002]随着人们生活水平的提高，人们购买保险的意愿越来越强，在保险行业积累着大量的文档资料。而随着时间的推移，需要将这些文档进行归类，比如分为银行卡、身份证、户口本、发票和病历等图像资料，保险行业作为金融行业的一个很重要的场景，对应用户上传的图像资料需要严格进行归档，以便后续保险流程的处理，比如将用户上传的资料区分为身份证、户口本、发票和病历图像资料后，对应的图像资料可以快速进入后续步骤，身份图像资料可以快速针对性校验用户的身份信息，病历图像资料则可以快速用于针对性校验健康信息等。而业内对于客户图像资料的处理，目前需要采用多个不同的APP端分别录入对应的图像资料，因此需要人为区分不同APP端的入口，但是这种方式容易产生误判，且容易干扰用户的行为，耗时耗力。

技术实现思路

[0003]本申请实施例的主要目的在于提出一种图像分类方法和装置、电子设备及存储介质，能够对图像资料自动准确识别并分类，以便于快速完成客户图像资料上传并归档，从而减少与客户的交互次数，减少以人为区分不同APP端的入口再录入对应图像资料这种方式带来的误判，省时省力，提高效率。
[0004]为实现上述目的，本申请实施例的第一方面提出了一种图像分类方法，所述方法包括：
[0005]获取目标图像；
[0006]将所述目标图像输入至预先训练好的分类模型，其中，所述分类模型基于SE
‑
ResNet网络对所述目标图像进行分类识别；
[0007]通过所述分类模型对所述目标图像进行图像分类，生成图像分类结果。
[0008]在一些实施例，所述分类模型的训练方法包括：
[0009]获取训练图像，并对所述训练图像进行预处理，得到正样本及负样本；
[0010]利用Faster
‑
RCNN网络检测所述正样本及所述负样本，得到至少一个初始候选区域；
[0011]利用Softmax
‑
NMS算法对至少一个所述初始候选区域进行筛选，得到至少一个中间候选区域；
[0012]将至少一个所述中间候选区域输入至所述SE
‑
ResNet网络，得到特征金字塔；
[0013]将至少一个所述中间候选区域及所述特征金字塔输入至所述Faster
‑
RCNN网络，并根据所述Faster
‑
RCNN网络的输出调整所述Faster
‑
RCNN网络的参数，直至所述Faster
‑
RCNN网络收敛，得到所述分类模型。
[0014]在一些实施例，获取所述训练图像，并对所述训练图像进行预处理，得到正样本及负样本，包括：
[0015]从所述训练图像中获取带有目标标识的第一图像；
[0016]对所述第一图像进行图像增强处理，得到正样本；
[0017]从所述训练图像中获取不带有所述目标标识的第二图像，得到负样本。
[0018]在一些实施例，利用Softmax
‑
NMS算法对所述至少一个所述初始候选区域进行筛选，得到至少一个中间候选区域，包括：
[0019]获取每个所述初始候选区域的置信度；
[0020]根据每个所述初始候选区域的所述置信度计算每个所述初始候选区域的softmax；
[0021]对每个所述初始候选区域的softmax进行高斯加权处理，得到每个所述初始候选区域的置信度分值；
[0022]从至少一个所述初始候选区域中删除所述置信度分值小于预设阈值的所述初始候选区域，得到所述至少一个中间候选区域。
[0023]在一些实施例，将所述至少一个所述中间候选区域输入至所述SE
‑
ResNet网络，得到特征金字塔，包括：
[0024]将所述至少一个所述中间候选区域分别输入至所述SE
‑
ResNet网络中的各个残差块，得到对应各个所述残差块的多个不同的尺度特征；
[0025]对多个不同的所述尺度特征进行特征融合，得到特征金字塔。
[0026]在一些实施例，所述将至少一个所述中间候选框及所述特征金字塔输入至所述Faster
‑
RCNN网络，包括：
[0027]对所述至少一个所述中间候选框及所述特征金字塔进行池化，得到多个RO I区域；
[0028]将多个所述RO I区域的大小统一成预定尺寸，并输入至所述Faster
‑
RCNN网络的边框回归层和边框分类层。
[0029]在一些实施例，所述方法还包括：
[0030]将所述分类模型转换为TFLite模型文件，其中，所述TFLite模型文件用于部署在所述电子设备的APP端。
[0031]为实现上述目的，本申请实施例的第二方面提出了一种图像分类装置，所述装置包括：
[0032]获取模块，用于获取目标图像；
[0033]识别模块，用于将所述目标图像输入至预先训练好的分类模型，其中，所述分类模型基于SE
‑
ResNet网络对所述目标图像进行分类识别；
[0034]分类模块，用于通过所述分类模型对所述目标图像进行图像分类，生成图像分类结果。
[0035]为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
[0036]为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所
述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
[0037]本申请提出的图像分类方法和装置、电子设备及存储介质,获取目标图像；将目标图像输入至预先训练好的分类模型，其中，分类模型基于SE
‑
ResNet网络对目标图像进行分类识别；通过分类模型对目标图像进行图像分类，生成图像分类结果。基于此，本申请将目标图像输入至分类模型，通过分类模型对目标图像进行图像分类，得到图像分类结果，从而能够对图像资料自动准确识别并分类，以便于快速完成客户图像资料上传并归档，从而减少与客户的交互次数，减少以人为区分不同APP端的入口再录入对应图像资料这种方式带来的误判，省时省力，提高效率。需要指出的是，分类模型是基于SE
‑
ResNet网络对目标图像进行分类识别，SE
‑
ResNet网络是将SE(Squeeze
‑
and
‑
Excitat ion)模块嵌入到ResNet(Res i dua l Networks)网络而得到，其中，SE模块的结构非常简单，其具有轻量化的特点，特别容易部署，不需要引入新的函数或者卷积层，并且增加的本文档来自技高网...

【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，应用于电子设备，所述方法包括：获取目标图像；将所述目标图像输入至预先训练好的分类模型，其中，所述分类模型基于SE
‑
ResNet网络对所述目标图像进行分类识别；通过所述分类模型对所述目标图像进行图像分类，生成图像分类结果。2.根据权利要求1所述的方法，其特征在于，所述分类模型的训练方法包括：获取训练图像，并对所述训练图像进行预处理，得到正样本及负样本；利用Faster
‑
RCNN网络检测所述正样本及所述负样本，得到至少一个初始候选区域；利用Softmax
‑
NMS算法对至少一个所述初始候选区域进行筛选，得到至少一个中间候选区域；将至少一个所述中间候选区域输入至所述SE
‑
ResNet网络，得到特征金字塔；将至少一个所述中间候选区域及所述特征金字塔输入至所述Faster
‑
RCNN网络，并根据所述Faster
‑
RCNN网络的输出调整所述Faster
‑
RCNN网络的参数，直至所述Faster
‑
RCNN网络收敛，得到所述分类模型。3.根据权利要求2所述的方法，其特征在于，所述获取所述训练图像，并对所述训练图像进行预处理，得到正样本及负样本，包括：从所述训练图像中获取带有目标标识的第一图像；对所述第一图像进行图像增强处理，得到正样本；从所述训练图像中获取不带有所述目标标识的第二图像，得到负样本。4.根据权利要求2所述的方法，其特征在于，所述利用Softmax
‑
NMS算法对所述至少一个所述初始候选区域进行筛选，得到至少一个中间候选区域，包括：获取每个所述初始候选区域的置信度；根据每个所述初始候选区域的所述置信度计算每个所述初始候选区域的softmax；对每个所述初始候选区域的softmax进行高斯加权处理，得到每...

【专利技术属性】
技术研发人员：欧阳高询，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：