图像分类方法及分类模型的数据处理方法技术

本说明书实施例提供图像分类方法及分类模型的数据处理方法，其中所述图像分类方法包括：获取待分类图像；提取待分类图像的图像特征信息；将图像特征信息输入分类模型，得到待分类图像的类别信息，分类模型为利用多个样本数据训练得到，样本数据包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的。利用不同属性类型空间的样本数据，对样本数据的原始特征信息进行跨空间特征增强，得到增强特征信息，并基于多个样本数据的原始特征信息和增强特征信息对模型进行训练得到分类模型，使得分类模型是基于高丰富度的样本特征训练得到，提升了图像分类的准确性。提升了图像分类的准确性。提升了图像分类的准确性。

【技术实现步骤摘要】
图像分类方法及分类模型的数据处理方法


[0001]本说明书实施例涉及计算机
，特别涉及一种图像分类方法。

技术介绍

[0002]近年来，深度学习成为了机器学习领域的一个热门研究方向，在计算机视觉、自然语言处理等领域得到了广泛的应用。
[0003]传统的图像分类方法中，需要对样本数据进行特征提取，基于提取得到的样本特征对分类模型进行训练，分类模型的精度受样本特征的丰富度影响。因此，亟需一种高准确性的图像分类方法。

技术实现思路

[0004]有鉴于此，本说明书实施例提供了一种图像分类方法。本说明书一个或者多个实施例同时涉及一种遥感图像分类方法，一种分类模型的数据处理方法，一种图像分类装置，一种遥感图像分类装置，一种分类模型的数据处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
[0005]根据本说明书实施例的第一方面，提供了一种图像分类方法，应用于端侧设备，包括：
[0006]获取待分类图像；
[0007]提取待分类图像的图像特征信息；
[0008]将图像特征信息输入分类模型，得到待分类图像的类别信息，其中，分类模型为利用多个样本数据训练得到，样本数据包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的。
[0009]根据本说明书实施例的第二方面，提供了一种遥感图像分类方法，应用于端侧设备，包括：
[0010]获取用户在前端选择的待分类遥感图像；
[0011]提取待分类遥感图像的图像特征信息；
[0012]将图像特征信息输入分类模型，得到待分类遥感图像的类别信息，其中，分类模型为利用多个样本数据训练得到，样本数据包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的；
[0013]将类别信息反馈至前端显示。
[0014]根据本说明书实施例的第三方面，提供了一种分类模型的数据处理方法，应用于云侧设备，包括：
[0015]获取样本集，其中，样本集包括多个样本数据，样本数据携带类别标签；
[0016]获得各样本数据的特征信息，其中，特征信息包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的；
[0017]基于各样本数据的特征信息以及各样本数据的类别标签，对预设分类网络进行训
练，获得训练后的分类模型的模型参数；
[0018]将分类模型的模型参数发送至端侧设备。
[0019]根据本说明书实施例的第四方面，提供了一种图像分类装置，应用于端侧设备，包括：
[0020]第一获取模块，被配置为获取待分类图像；
[0021]第一提取模块，被配置为提取待分类图像的图像特征信息；
[0022]第一输入模块，被配置为将图像特征信息输入分类模型，得到待分类图像的类别信息，其中，分类模型为利用多个样本数据训练得到，样本数据包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的。
[0023]根据本说明书实施例的第五方面，提供了一种遥感图像分类装置，应用于端侧设备，包括：
[0024]第二获取模块，被配置为获取用户在前端选择的待分类遥感图像；
[0025]第二提取模块，被配置为提取待分类遥感图像的图像特征信息；
[0026]第二输入模块，被配置为将图像特征信息输入分类模型，得到待分类遥感图像的类别信息，其中，分类模型为利用多个样本数据训练得到，样本数据包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的；
[0027]反馈模块，被配置为将类别信息反馈至前端显示。
[0028]根据本说明书实施例的第六方面，提供了一种分类模型的数据处理装置，应用于云侧设备，包括：
[0029]第三获取模块，被配置为获取样本集，其中，样本集包括多个样本数据，样本数据携带类别标签；
[0030]获得模块，被配置为获得各样本数据的特征信息，其中，特征信息包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的；
[0031]训练模块，被配置为基于各样本数据的特征信息以及各样本数据的类别标签，对预设分类网络进行训练，获得训练后的分类模型的模型参数；
[0032]发送模块，被配置为将分类模型的模型参数发送至端侧设备。
[0033]根据本说明书实施例的第七方面，提供了一种计算设备，包括：
[0034]存储器和处理器；
[0035]所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述图像分类方法或上述遥感图像分类方法或上述分类模型的数据处理方法的步骤。
[0036]根据本说明书实施例的第八方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述图像分类方法或上述遥感图像分类方法或上述分类模型的数据处理方法的步骤。
[0037]根据本说明书实施例的第九方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述图像分类方法或上述遥感图像分类方法或上述分
类模型的数据处理方法的步骤。
[0038]本说明书实施例中，通过获取待分类图像；提取待分类图像的图像特征信息；将图像特征信息输入分类模型，得到待分类图像的类别信息，其中，分类模型为利用多个样本数据训练得到，样本数据包括原始特征信息和增强特征信息，增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的。利用不同属性类型空间的样本数据，对样本数据的原始特征信息进行跨空间特征增强，得到该样本数据对应的增强特征信息，相应的获得多个样本数据的增强特征信息，并基于多个样本数据的原始特征信息和增强特征信息对模型进行训练得到分类模型，使得分类模型是基于高丰富度的样本特征训练得到，提升了图像分类的准确性。
附图说明
[0039]图1是本说明书一个实施例提供的一种分类模型训练系统架构下的交互流程示意图；
[0040]图2是本说明书一个实施例提供的一种分类模型训练系统架构下的框架图；
[0041]图3是本说明书一个实施例提供的一种图像分类方法的流程图；
[0042]图4a是本说明书一个实施例提供的一种类空间中分类模型训练过程中样本图像的特征增强方法示意图；
[0043]图4b是本说明书一个实施例提供的一种域空间中分类模型训练过程中样本图像的特征增强方法示意图；
[0044]图5a是本说明书一个实施例提供的一种分类模型在训练过程中未使用CrossSmooth统计量的情况下获得的类条件协方差矩阵数据图；
[0045]图5b是本说明书一个实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，应用于端侧设备，包括：获取待分类图像；提取所述待分类图像的图像特征信息；将所述图像特征信息输入分类模型，得到所述待分类图像的类别信息，其中，所述分类模型为利用多个样本数据训练得到，所述样本数据包括原始特征信息和增强特征信息，所述增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的。2.根据权利要求1所述的方法，还包括：获取样本集，其中，所述样本集包括多个样本数据，所述样本数据携带类别标签；获得各所述样本数据的特征信息，其中，所述特征信息包括原始特征信息和增强特征信息，所述增强特征信息是对属于不同属性类型空间的样本数据进行跨空间特征增强得到的；基于各所述样本数据的特征信息以及各所述样本数据的类别标签，对预设分类网络进行训练，获得训练后的分类模型。3.根据权利要求2所述的方法，所述基于各所述样本数据的特征信息以及各所述样本数据的类别标签，对预设分类网络进行训练，获得训练后的分类模型，包括：提取目标样本数据的特征信息以及目标类别标签，其中，所述目标样本数据为所述多个样本数据中的任一个；将所述目标样本数据的特征信息输入预设分类网络，获得所述目标样本数据的分类结果；根据所述目标样本数据的特征信息、所述分类结果和所述目标类别标签，计算总损失值；基于所述总损失值调整所述预设分类网络的网络参数，并返回执行所述提取目标样本数据的特征信息以及目标类别标签的步骤；在达到训练停止条件的情况下，确定完成对所述预设分类网络的训练，获得分类模型。4.根据权利要求2所述的方法，所述获得各所述样本数据的特征信息，包括：提取各所述样本数据的原始特征信息；根据第一样本数据的原始特征信息，对第二样本数据进行跨空间特征增强，获得所述第二样本数据的增强特征信息，其中，所述第一样本数据和所述第二样本数据为所述样本集中属于不同属性类型空间的任两个样本数据。5.根据权利要求4所述的方法，所述属性类型空间包括类空间，所述第一样本数据属于第一类空间，所述第二样本数据属于第二类空间；所述根据第一样本数据的原始特征信息，对第二样本数据进行跨空间特征增强，获得所述第二样本数据的增强特征信息，包括：根据第一样本数据的原始特征信息，对第二样本数据在目标语义方向上进行跨类空间特征增强，获得所述第二样本数据在所述目标语义方向上的增强特征信息，其中，所述目标语义方向为所述第一类空间中包含的任一特定的语义方向。6.根据权利要求5所述的方法，所述根据第一样本数据的原始特征信息，对第二样本数据在目标语义方向上进行跨类空间特征增强，获得所述第二样本数据在所述目标语义方向上的增强特征信息，包括：
根据第一样本数据的原始特征信息，确定第一样本数据在目标语义方向的采样概率；根据第二样本数据的原始特征信息、所述采样概率，计算类间增强指标；根据所述第二样本数据的原始特征信息和所述类间增强指标，获得所述第二样本数据在所述目标语义方向上的增强特征信息。7.根据权利要求6所述的方法，所述根据第二样本数据的原始特征信息、所述采样概率，计算类间增强指标，包括：对第二样本数据的原始特征信息进行统计，得到所述第二类空间的类条件协方差...

【专利技术属性】
技术研发人员：袁建龙，王志斌，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：