图像分类方法技术

本申请涉及一种图像分类方法

【技术实现步骤摘要】
图像分类方法、装置、设备、存储介质和程序产品


[0001]本申请涉及人工智能
，特别是涉及一种图像分类方法
、
装置
、
设备
、
存储介质和程序产品
。

技术介绍

[0002]随着人工智能的不断发展，神经网络模型的应用越来越广泛
。
[0003]以图像分类为例，通过样本集对初始神经网络模型进行充分有效的学习，以得到图像分类模型，然后通过图像分类模型对各类别的图像进行分类
。
例如，可以对进行人脸识别
、
无人驾驶和医学检测等领域的分类
。
[0004]但是，相关技术中对图像分类时存在分类不准确的问题
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种图像分类方法
、
装置
、
设备
、
存储介质和程序产品，能够提高图像分类的准确性
。
[0006]第一方面，本申请提供了一种图像分类方法，该方法包括：
[0007]获取待预测图像与多个不同类别的基底图像构造的多个图像对；
[0008]将各图像对分别输入至预设的图像分类模型中，得到各图像对的预测概率；预测概率表示图像对中待预测图像与基底图像的相似度；图像分类模型是通过迭代学习多种不同类别的样本图像的特征信息得到的；
[0009]将最高预测概率的图像对中基底图像的类别确定为待预测图像的分类结果
。
[0010]在其中一个实施例中，图像分类模型的训练过程包括：
[0011]获取多种不同类别的样本图像；
[0012]根据多种不同类别的样本图像，确定多个训练样本组；每个训练样本组中均包括所有类别下的多个样本图像对；
[0013]分别通过各训练样本组对初始图像分类模型进行训练，直至初始图像分类模型收敛，得到图像分类模型
。
[0014]在其中一个实施例中，根据多种不同类别的样本图像，确定多个训练样本组，包括：
[0015]根据每种类别下的样本图像，获取各类别下的基底图像；
[0016]将各类别下的基底图像和其他样本图像分别进行组合，得到各类别下的多个样本图像对；
[0017]根据各类别下的多个样本图像对，按照每个训练样本组对应划分每个类别中至少一个样本图像对的方式，获得多个训练样本组
。
[0018]在其中一个实施例中，获取各类别下的基底图像，包括：
[0019]对于任一个类别，将类别中的任意一张样本图像确定为类别下的基底图像
。
[0020]在其中一个实施例中，分别通过各训练样本组对初始图像分类模型进行训练，直
至初始图像分类模型收敛，包括：
[0021]对于任一个训练样本组，将训练样本组中的各样本图像对输入至初始图像分类模型中进行训练，获取各样本图像对训练的初始图像分类模型的损失函数值；
[0022]根据各损失函数值更新初始图像分类模型的参数，直至初始图像分类模型达到预设条件，确定初始图像分类模型收敛
。
[0023]在其中一个实施例中，每个样本图像对中包括一个基底图像和一个样本图像；初始图像分类模型包括初始特征提取网络和初始计算网络；获取各样本图像对训练的初始图像分类模型的损失函数值，包括：
[0024]针对任一个样本图像对，将样本图像对输入至初始特征提取网络中，获得样本图像对中基底图像的特征向量和样本图像的特征向量；
[0025]将基底图像的特征向量和样本图像的特征向量进行拼接，得到双通道特征向量；
[0026]将双通道特征向量输入至初始计算网络，确定样本图像对训练的初始图像分类模型的损失函数值
。
[0027]在其中一个实施例中，初始特征提取网络包括单通道特征网络和多尺度特征网络；将样本图像对输入至初始特征提取网络中，获得样本图像对中基底图像的特征向量和样本图像的特征向量，包括：
[0028]将样本图像对输入至单通道特征网络，得到基底图像的特征图和样本图像的特征图；
[0029]将基底图像的特征图和样本图像的特征图输入至多尺度特征网络，获得基底图像在多个不同尺度的子特征图和样本图像在多个不同尺度的子特征图；
[0030]将基底图像的多个子特征图进行拼接，得到基底图像的特征向量；以及将样本图像的多个子特征图进行拼接，得到样本图像的特征向量
。
[0031]在其中一个实施例中，初始计算网络包括卷积层和全连接层；将双通道特征向量输入至计算网络，确定样本图像对训练的初始图像分类模型的损失函数值，包括：
[0032]将双通道特征向量输入至卷积层，得到基底图像与样本图像之间的相似度矩阵；
[0033]将相似度矩阵输入至全连接层，确定基底图像与样本图像之间的相似度；
[0034]将基底图像与样本图像之间的相似度确定为损失函数值
。
[0035]在其中一个实施例中，根据各损失函数值更新初始图像分类模型的参数，包括：
[0036]获取各样本图像对的图像对标签；图像对标签表征样本图像对中基底图像和样本图像的类别一致状态；
[0037]根据各样本图像对训练的初始图像分类模型的损失函数值和对应的图像对标签，更新初始图像分类模型的参数
。
[0038]在其中一个实施例中，初始图像分类模型达到预设条件包括初始过滤网络模型的分类结果准确率达到预设准确率阈值
。
[0039]第二方面，本申请还提供了一种图像分类装置，该装置包括：
[0040]图像对获取模块，用于获取待预测图像与多个不同类别的基底图像构造的多个图像对；
[0041]预测模块，用于将各图像对分别输入至预设的图像分类模型中，得到各图像对的预测概率；预测概率表示图像对中待预测图像与基底图像的相似度；图像分类模型是通过
迭代学习多种不同类别的样本图像的特征信息得到的；
[0042]确定模块，用于将最高预测概率的图像对中基底图像的类别确定为待预测图像的分类结果
。
[0043]第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述第一方面中任一实施例提供的方法的步骤
。
[0044]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例提供的方法的步骤
。
[0045]第五方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例提供的方法的步骤
。
[0046]上述图像分类方法
、
装置
、
设备
、
存储介质和程序产品，获取待预测图像与多个不同类别的基底图像构造的多个本文档来自技高网...

【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，所述方法包括：获取待预测图像与多个不同类别的基底图像构造的多个图像对；将各所述图像对分别输入至预设的图像分类模型中，得到各所述图像对的预测概率；所述预测概率表示图像对中待预测图像与基底图像的相似度；所述图像分类模型是通过迭代学习多种不同类别的样本图像的特征信息得到的；将最高预测概率的图像对中基底图像的类别确定为所述待预测图像的分类结果
。2.
根据权利要求1所述的方法，其特征在于，所述图像分类模型的训练过程包括：获取多种不同类别的样本图像；根据所述多种不同类别的样本图像，确定多个训练样本组；每个训练样本组中均包括所有类别下的多个样本图像对；分别通过各所述训练样本组对初始图像分类模型进行训练，直至所述初始图像分类模型收敛，得到图像分类模型
。3.
根据权利要求2所述的方法，其特征在于，所述根据所述多种不同类别的样本图像，确定多个训练样本组，包括：根据每种类别下的样本图像，获取各所述类别下的基底图像；将各所述类别下的基底图像和其他样本图像分别进行组合，得到各所述类别下的多个样本图像对；根据各所述类别下的多个样本图像对，按照每个训练样本组对应划分每个类别中至少一个样本图像对的方式，获得所述多个训练样本组
。4.
根据权利要求3所述的方法，其特征在于，所述获取各所述类别下的基底图像，包括：对于任一个类别，将所述类别中的任意一张样本图像确定为所述类别下的基底图像
。5.
根据权利要求2‑4任一项所述的方法，其特征在于，所述分别通过各所述训练样本组对初始图像分类模型进行训练，直至所述初始图像分类模型收敛，包括：对于任一个训练样本组，将所述训练样本组中的各样本图像对输入至所述初始图像分类模型中进行训练，获取各所述样本图像对训练的初始图像分类模型的损失函数值；根据各所述损失函数值更新所述初始图像分类模型的参数，直至所述初始图像分类模型达到预设条件，确定所述初始图像分类模型收敛
。6.
根据权利要求5所述的方法，其特征在于，每个样本图像对中包括一个基底图像和一个样本图像；所述初始图像分类模型包括初始特征提取网络和初始计算网络；所述获取各所述样本图像对训练的初始图像分类模型的损失函数值，包括：针对任一个样本图像对，将所述样本图像对输入至所述初始特征提取网络中，获得所述样本图像对中基底图像的特征向量和样本图像的特征向量；将基底图像的特征向量和样本图像的特征向量进行拼接，得到双通道特征向量；将所述双通道特征向量输入至所述初始计算网络，确定所述样本图像对训练的所述初始图像分类模型的损失函数值
。7.
根据权利要求6所述的方法，其特征在于，所述初始特征提取网络包括单通道特征网络和多尺度特征网络；所述将所述样本图像对输入至所述初始特征提取网络中，获得所述样本图...

【专利技术属性】
技术研发人员：徐晓健，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：