基于分类模型的图像分类方法、训练方法、装置及设备制造方法及图纸

本申请提供一种基于分类模型的图像分类方法、训练方法、装置及设备，包括：获取待处理图像，将所述待处理图像输入至预置的分类模型，及从所述分类模型的输入层中获取卷积输入向量；基于所述分类模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样输出向量；基于所述分类模型中的普通模块对所述下采样输出向量进行特征提取，得到所述图像特征向量；基于所述分类模型中的全连接层对所述图像特征向量进行分类处理，得到所述待处理图像的图像类别。本申请降低了对待处理图像进行特征提取的运算数据量，提高了特征提取的运算速度，并确保了特征提取的全面性和准确度。度。度。

【技术实现步骤摘要】
基于分类模型的图像分类方法、训练方法、装置及设备


[0001]本申请涉及人工智能
，尤其涉及一种基于分类模型的图像分类方法、训练方法、装置及设备。

技术介绍

[0002]随着智能驾驶、智慧城市等概念的发展，越来越多的硬件设备通过内置的高效神经网络处理单元(GPU、NPU等)对图像进行分类处理，当前的分类处理通常是采用具有卷积层、中间层和全连接层的卷积神经网络进行。
[0003]然而，专利技术人发现，基于当前的卷积神经网络的图像分类方法，通常需要对图像中所有像素进行特征提取得到特征向量，再根据该特征向量对图像进行分类，导致运行有卷积神经网络的硬件设备需要进行数量庞大的计算，造成图像分类运算速度低，算力负担大。

技术实现思路

[0004]本申请提供一种基于分类模型的图像分类方法、训练方法、装置及设备，用以解决当前的图像分类方法，需要进行数量庞大的计算，造成图像分类运算速度低，算力负担大的问题。
[0005]第一方面，本申请提供一种基于分类模型的图像分类方法，包括：
[0006]获取待处理图像，将所述待处理图像输入至预置的分类模型，及从所述分类模型的输入层中获取卷积输入向量；其中，所述分类模型为卷积神经网络模型；所述卷积输入向量用于表征所述待处理图像；
[0007]基于所述分类模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样输出向量；其中，所述下采样输出向量是对压缩后的所述待处理图像进行初步特征提取的特征向量，及表征抽象后的待处理图像；
[0008]基于所述分类模型中的普通模块对所述下采样输出向量进行特征提取，得到所述图像特征向量；其中，所述图像特征向量用于表征所述待处理图像中对象的形状及轮廓；
[0009]基于所述分类模型中的全连接层对所述图像特征向量进行分类处理，得到所述待处理图像的图像类别；其中，所述图像类别反映了所述待处理图像中对象的类型或种类。
[0010]上述方案中，所述基于所述分类模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样输出向量，包括：
[0011]基于所述下采样模块中的采样输入层获取所述卷积输入向量；
[0012]基于所述下采样模块中的采样特征模块，以采样步长对所述采样输入层中的卷积输入向量进行数据压缩，并对压缩后的卷积输入向量进行特征提取得到采样特征向量；其中，所述采样特征向量是对压缩后的所述待处理图像进行初步特征提取的特征向量；
[0013]基于所述下采样模块中的池化模块，对所述卷积输入向量进行池化处理得到池化向量；其中，所述池化向量表征抽象后的待处理图像；
[0014]汇总所述采样特征向量和所述池化向量得到下采样输出向量。
[0015]上述方案中，所述基于所述分类模型中的普通模块对所述下采样输出向量进行特征提取，得到所述图像特征向量，包括：
[0016]基于所述普通模块中的普通输入层获取所述下采样输出向量；
[0017]基于所述普通模块中的普通拆分压缩模块拆分所述下采样输出向量，及以普通步长对拆分后的下采样输出向量进行特征提取并合并，得到普通压缩卷积数据；其中，所述普通压缩卷积数据用于表征压缩后的下采样输出向量；
[0018]基于所述普通模块中的普通膨胀合并模块拆分所述普通压缩卷积数据，并以普通步长对拆分后的普通压缩卷积数据进行特征提取并合并，得到普通特征向量；其中，所述普通特征向量是对压缩后的所述下采样输出向量进行初步特征提取的特征向量；
[0019]汇总所述普通输入层中的下采样输出向量和所述普通特征向量，得到图像特征向量。
[0020]第二方面，本申请提供一种应用于图像分类的分类模型的训练方法，包括：
[0021]获取待训练图像，将所述待训练图像输入至预置的初始模型，及从所述初始模型的输入层中获取卷积输入向量；其中，所述初始模型为卷积神经网络模型；所述卷积输入向量用于表征所述待训练图像；
[0022]基于所述初始模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样训练向量；其中，所述下采样训练向量是对压缩后的所述待训练图像进行初步特征提取的特征向量，及表征抽象后的待训练图像；
[0023]基于所述初始模型中的普通模块对所述下采样训练向量进行特征提取，得到所述图像训练向量；其中，所述图像训练向量用于表征所述待训练图像中对象的形状及轮廓；
[0024]基于所述初始模型中的全连接层对所述图像训练向量进行分类处理，得到所述待训练图像的图像类别；其中，所述图像类别反映了所述待训练图像中对象的类型或种类；
[0025]若确定所述待训练图像的图像类别与所述待训练图像的训练标签之间的差异小于预置的训练阈值，则将所述初始模型设为所述分类模型。
[0026]上述方案中，所述基于所述初始模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样训练向量，包括：
[0027]基于所述下采样模块中的采样输入层获取所述卷积输入向量；
[0028]基于所述下采样模块中的采样特征模块，以采样步长对所述采样输入层中的卷积输入向量进行数据压缩，并对压缩后的卷积输入向量进行特征提取得到采样特征向量；其中，所述采样特征向量是对压缩后的所述待训练图像进行初步特征提取的特征向量；
[0029]基于所述下采样模块中的池化模块，对所述卷积输入向量进行池化处理得到池化向量；其中，所述池化向量表征抽象后的待训练图像；
[0030]汇总所述采样特征向量和所述池化向量得到下采样训练向量。
[0031]上述方案中，所述基于所述初始模型中的普通模块对所述下采样训练向量进行特征提取，得到所述图像训练向量，包括：
[0032]基于所述普通模块中的普通输入层获取所述下采样训练向量；
[0033]基于所述普通模块中的普通拆分压缩模块拆分所述下采样训练向量，及以普通步长对拆分后的下采样训练向量进行特征提取并合并，得到普通压缩卷积数据；其中，所述普通压缩卷积数据用于表征压缩后的下采样训练向量；
[0034]基于所述普通模块中的普通膨胀合并模块拆分所述普通压缩卷积数据，并以普通步长对拆分后的普通压缩卷积数据进行特征提取并合并，得到普通特征向量；其中，所述普通特征向量是对压缩后的所述下采样训练向量进行初步特征提取的特征向量；
[0035]汇总所述普通输入层中的下采样训练向量和所述普通特征向量，得到图像训练向量。
[0036]第三方面，本申请提供一种基于分类模型的图像分类装置，包括：
[0037]输入模块，用于获取待处理图像，将所述待处理图像输入至预置的分类模型，及从所述分类模型的输入层中获取卷积输入向量；其中，所述分类模型为卷积神经网络模型；所述卷积输入向量用于表征所述待处理图像；
[0038]第一处理模块，用于基于所述分类模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样输出向量；其中，所述下采样输出向量是对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分类模型的图像分类方法，其特征在于，包括：获取待处理图像，将所述待处理图像输入至预置的分类模型，及从所述分类模型的输入层中获取卷积输入向量；其中，所述分类模型为卷积神经网络模型；所述卷积输入向量用于表征所述待处理图像；基于所述分类模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样输出向量；其中，所述下采样输出向量是对压缩后的所述待处理图像进行初步特征提取的特征向量，及表征抽象后的待处理图像；基于所述分类模型中的普通模块对所述下采样输出向量进行特征提取，得到所述图像特征向量；其中，所述图像特征向量用于表征所述待处理图像中对象的形状及轮廓；基于所述分类模型中的全连接层对所述图像特征向量进行分类处理，得到所述待处理图像的图像类别；其中，所述图像类别反映了所述待处理图像中对象的类型或种类。2.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述分类模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样输出向量，包括：基于所述下采样模块中的采样输入层获取所述卷积输入向量；基于所述下采样模块中的采样特征模块，以采样步长对所述采样输入层中的卷积输入向量进行数据压缩，并对压缩后的卷积输入向量进行特征提取得到采样特征向量；其中，所述采样特征向量是对压缩后的所述待处理图像进行初步特征提取的特征向量；基于所述下采样模块中的池化模块，对所述卷积输入向量进行池化处理得到池化向量；其中，所述池化向量表征抽象后的待处理图像；汇总所述采样特征向量和所述池化向量得到下采样输出向量。3.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述分类模型中的普通模块对所述下采样输出向量进行特征提取，得到所述图像特征向量，包括：基于所述普通模块中的普通输入层获取所述下采样输出向量；基于所述普通模块中的普通拆分压缩模块拆分所述下采样输出向量，及以普通步长对拆分后的下采样输出向量进行特征提取并合并，得到普通压缩卷积数据；其中，所述普通压缩卷积数据用于表征压缩后的下采样输出向量；基于所述普通模块中的普通膨胀合并模块拆分所述普通压缩卷积数据，并以普通步长对拆分后的普通压缩卷积数据进行特征提取并合并，得到普通特征向量；其中，所述普通特征向量是对压缩后的所述下采样输出向量进行初步特征提取的特征向量；汇总所述普通输入层中的下采样输出向量和所述普通特征向量，得到图像特征向量。4.一种应用于图像分类的分类模型的训练方法，其特征在于，包括：获取待训练图像，将所述待训练图像输入至预置的初始模型，及从所述初始模型的输入层中获取卷积输入向量；其中，所述初始模型为卷积神经网络模型；所述卷积输入向量用于表征所述待训练图像；基于所述初始模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样训练向量；其中，所述下采样训练向量是对压缩后的所述待训练图像进行初步特征提取的特征向量，及表征抽象后的待训练图像；基于所述初始模型中的普通模块对所述下采样训练向量进行特征提取，得到所述图像训练向量；其中，所述图像训练向量用于表征所述待训练图像中对象的形状及轮廓；
基于所述初始模型中的全连接层对所述图像训练向量进行分类处理，得到所述待训练图像的图像类别；其中，所述图像类别反映了所述待训练图像中对象的类型或种类；若确定所述待训练图像的图像类别与所述待训练图像的训练标签之间的差异小于预置的训练阈值，则将所述初始模型设为所述分类模型。5.根据权利要求4所述的训练方法，其特征在于，所述基于所述初始模型中的下采样模块对所述卷积输入向量进行压缩处理和特征提取，得到下采样训练向量，包括：基于所述下采样模块中的采样输入层获取所述卷积输入向量；基于所述下采样模块中的采样特征模块，以采样步长对所述采样输...

【专利技术属性】
技术研发人员：赖申其，钱炜，杨政，何晓飞，
申请(专利权)人：杭州飞步科技有限公司，
类型：发明
国别省市：