一种图像分类方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及数据处理技术领域，可应用于车载场景，尤其涉及一种图像分类方法、装置、电子设备及存储介质，该方法为：将获取的待分类图像和各类候选图像，输入目标图像特征提取网络中，分别得到对应的初始待分类图像特征和各类初始候选图像特征；采用目标前景增强网络，基于在预训练过程中针对不同类别的样本图像学习得到的各个类别属性特征，得到对应的目标待分类图像特征和各类目标候选图像特征；再基于目标待分类图像特征与每个目标候选图像特征之间的特征相似度，确定待分类图像对应的分类结果。这样，能够对提取的图像特征中前景内容对应的特征进行增强，使得处理后的图像特征能够突出图像中前景的目标物区域，有助于提高图像分类的准确性。像分类的准确性。像分类的准确性。

【技术实现步骤摘要】
一种图像分类方法、装置、电子设备及存储介质


[0001]本申请涉及数据处理
，尤其涉及一种图像分类方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，为了在无法获取足量训练样本的情况下，实现图像分类任务，可以基于小样本学习的实现方式构建图像分类模型，进而基于小样本学习训练得到的目标图像分类模型实现图像分类任务。
[0003]相关技术下，实现图像分类的过程中，通常先基于目标图像分类模型中的图像特征提取网络，对输入的各类参考图像和待分类图像分别进行特征提取，再根据提取的图像特征之间的相似性，在各类参考图像中确定与待分类图像匹配的图像内容类别，以确定待分类图像对应的分类结果。
[0004]然而，相关技术下的目标图像分类模型，仅能对图像中的背景特征和前景特征进行综合提取，因而提取的图像特征会受到背景内容的极大干扰，无法依据提取的图像特征有效地确定图像的分类结果，降低了图像分类效果；另外，目标图像分类模型中图像特征提取网络的泛化性能差，在应用过程中仅能对训练时涉及到的图像内容类别进行分类，而在面对新内容类别的图像时，提取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，包括：获取待分类图像；获取预先对应各类候选子分类类别构建的各类候选图像；将所述待分类图像，输入已预训练的目标图像特征提取网络中，得到对应的初始待分类图像特征，以及将所述各类候选图像，输入所述目标图像特征提取网络，得到对应的各个初始候选图像特征；采用已预训练的目标前景增强网络，基于在预训练过程中针对不同类别的样本图像学习得到的各个类别属性特征，分别对所述初始待分类图像特征和各类初始候选图像特征进行前景特征增强处理，得到对应的目标待分类图像特征和各类目标候选图像特征；采用已预训练的目标分类网络，基于所述目标待分类图像特征与每个目标候选图像特征之间的特征相似度，确定所述待分类图像对应的分类结果。2.如权利要求1所述的方法，其特征在于，基于在预训练过程中针对不同类别的样本图像学习得到的各个类别属性特征，对所述初始待分类图像特征进行前景特征增强处理，包括：基于预训练过程中针对不同类别的样本图像学习得到的各个类别属性特征，分别确定所述初始待分类图像特征与各个类别属性特征之间的相似关系；基于所述相似关系，确定所述初始待分类图像特征与各个类别属性特征之间的匹配权重；基于所述匹配权重，确定所述各个类别属性特征对于所述初始待分类图像特征中各个位置特征值的增强程度值，以及基于各个增强程度值，实现对所述初始待分类图像特征的前景增强处理。3.如权利要求2所述的方法，其特征在于，所述基于在预训练过程中针对不同类别的样本图像学习得到的各个类别属性特征，分别确定所述初始待分类图像特征与各个类别属性特征之间的相似关系，包括：获取预训练过程中针对不同类别的样本图像学习得到的各个类别属性特征，并对所述各个类别属性特征进行形式调整，获得所述各个类别属性特征对应的属性特征矩阵，以及对所述初始待分类图像特征进行形式调整，得到对应的图像特征矩阵；计算所述属性特征矩阵和所述图像特征矩阵之间的矩阵乘积，得到表征所述初始待分类图像特征与各个类别属性特征之间相似关系的相似度矩阵。4.如权利要求3所述的方法，其特征在于，所述基于所述相似关系，确定所述初始待分类图像特征与各个类别属性特征之间的匹配权重，并基于所述匹配权重，确定所述各个类别属性特征对于所述初始待分类图像特征中各个位置特征值的增强程度值，包括：针对所述相似度矩阵中各位置的相似度值进行归一化处理，并基于归一化处理后的各个位置的相似度值，得到表征初始待分类图像特征与各个类别属性特征之间匹配权重的权重参数矩阵；基于所述由各个类别属性特征构成的特征矩阵和所述权重参数矩阵之间的矩阵乘积结果，确定所述各个类别属性特征对于所述初始待分类图像特征中各个位置处特征值的增强程度值。5.如权利要求2所述的方法，其特征在于，所述基于各个增强程度值，实现对所述初始
待分类图像特征的前景增强处理，包括：将各个位置的增强程度值，与所述初始待分类图像特征中对应位置的特征值进行特征值叠加处理，得到各个位置各自对应的特征值叠加结果；将所述各个位置各自对应的特征值叠加结果进行自适应处理，实现对所述初始待分类图像特征中前景特征的增强。6.如权利要求1所述的方法，其特征在于，所述获取预先对应各类候选子分类类别构建的各类候选图像，包括：响应于相关对象的选择指示，确定所述选择指示针对的各类候选子分类类别，以及分别获取预先针对所述各类候选子分类类别构建的各类候选图像。7.如权利要求1
‑
6任一项所述的方法，其特征在于，对包含图像特征提取网络、前景增强网络，以及分类网络的图像分类模型进行预训练，包括：基于开源的目标数据集，对所述图像分类模型进行多训练周期的迭代预训练，直至达到预设的训练周期为止，并在一个训练周期内，执行以下操作：基于从训练数据子集中抽取的样本图像组，对待训练的图像分类模型进行设定轮数的迭代训练，得到待测试图像分类模型，以及基于从测试数据子集中抽取的测试图像，确定所述待测试图像分类模型的分类准确率，其中，所述训练数据子集和测试数据子集包含在所述目标数据集中；基于针对不同训练周期内的待测试图...

【专利技术属性】
技术研发人员：赖锦祥，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：