【技术实现步骤摘要】
图片分类方法、装置、计算机可读介质及电子设备
[0001]本申请涉及计算机视觉
，具体而言，涉及一种图片分类方法、装置、计算机可读介质及电子设备。
技术介绍
[0002]随着人工智能技术的发展，以图像分类为代表的计算机视觉任务越来越多地使用人工智能算法来解决。
[0003]目前通常采用常规的卷积神经网络进行图片分类，取得了一定的效果；然而，这种方式不能灵活地适应不规则或者复杂的形状，这导致了对不规则或者复杂形状的图片进行分类的准确性低。因此，目前亟需一种能够精准对不规则或者复杂形状的图片进行分类的方法。
技术实现思路
[0004]本申请的实施例提供了一种图片分类方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以提高图片分类的准确性。
[0005]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0006]根据本申请实施例的一个方面，提供了一种图片分类方法，所述方法包括：提取与目标图片的各个图片块对应的浅层特征图，作为所述目标图片的...
【技术保护点】
【技术特征摘要】
1.一种图片分类方法，其特征在于，所述方法包括：提取与目标图片的各个图片块对应的浅层特征图，作为所述目标图片的浅层特征图集；基于所述浅层特征图集执行至少一次图特征提取操作，得到所述目标图片的深层语义特征图集，所述图特征提取操作包括：以所述浅层特征图集或者前一次执行图特征提取操作得到的特征图集作为所述图特征提取操作对应的节点集合；根据所述节点集合中节点之间的相似性构造边集合；根据所述节点集合和所述边集合构建所述图特征提取操作对应的图；对所述图中每个节点聚合邻居节点，并对聚合结果进行更新操作，以将所述聚合结果映射为所述节点对应的特征图；根据所述深层语义特征图集进行分类，得到所述目标图片的分类结果。2.根据权利要求1所述的图片分类方法，其特征在于，所述方法由学生网络执行的，在提取与目标图片的各个图片块对应的浅层特征图之前，所述方法还包括：基于预先构建的训练数据集对教师网络进行训练，其中，所述教师网络的参数数量大于所述学生网络的参数数量；基于所述训练数据集对所述学生网络进行训练，并在训练过程中根据所述教师网络指导所述学生网络的训练。3.根据权利要求2所述的图片分类方法，其特征在于，所述基于预先构建的训练数据集对教师网络进行训练，包括：将预先构建的训练数据集的至少一部分输入至教师网络中，根据所述教师网络的输出结果确定交叉熵损失值，并根据所述交叉熵损失值更新所述教师网络的参数；所述基于所述训练数据集对所述学生网络进行训练，并在训练过程中根据所述教师网络指导所述学生网络的训练，包括：将所述训练数据集的至少一部分分别输入至所述教师网络和所述学生网络中，根据所述教师网络的输出结果和每次图特征提取操作得到的特征图集中的至少一项以及所述学生网络的输出结果确定预定损失函数的损失值，并根据所述损失值更新所述学生网络的参数，所述预定损失函数包括交叉熵损失和以下中的至少一项：节点一致性损失、边一致性损失、蒸馏损失，所述交叉熵损失用于衡量所述学生网络的输出结果与所述训练数据集中样本数据的真实标签之前的差异，所述节点一致性损失用于衡量所述教师网络和所述学生网络在相对应的图特征提取操作中构建的图中相应节点之间的差异，所述边一致性损失用于衡量所述教师网络和所述学生网络在相对应的图特征提取操作中构建的图中相应节点的邻居节点之间的差异，所述蒸馏损失用于衡量所述教师网络和所述学生网络输出的样本数据属于各个类别的概率之间的差异。4.根据权利要求1所述的图片分类方法，其特征在于，所述根据所述节点集合中节点之间的相似性构造边集合，包括：确定所述节点集合中各对节点之间的相似度；针对每一节点，对各其他节点按照与所述节点之间的相似度从大到小进行排序，并在所述节点和排序在前的预定数目个其他节点之间构造边。5.根据权利要求4所述的图片分类方法，其特征在于，所述对所述图中每个节点聚合邻居节点，包括：
针对所述图中每个节点，确定与所述节点的差异最大的邻居节点，并将所述节点与所述邻居节点的特征图拼接，得到拼接结果；通过聚合函数对所述图中每个节点对应的拼接结果进行聚合，得到每个节点对应的聚合结果。6.根据权利...
【专利技术属性】
技术研发人员：李昱希，凌宇航，王亚彪，甘振业，
申请(专利权)人：腾讯科技深圳有限公司，
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。