基于胶囊网络模型的图像分类方法、装置和存储介质制造方法及图纸

本申请涉及一种基于胶囊网络模型的图像分类方法、装置和存储介质，能够提高图像分类效率。所述胶囊网络模型包括编码器以及轻量化解码器；并且所述图像分类方法包括：将待分类的图像输入到所述编码器，获取经编码的图像特征；将所述经编码的图像特征输入到所述轻量化解码器，经由可分离卷积处理确定经解码的图像特征；根据所述经解码的图像特征，获取所述图像的分类结果。

【技术实现步骤摘要】

本申请涉及图像分类，特别是涉及一种基于胶囊网络模型的图像分类方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

1、随着计算机技术发展，卷积神经网络因其优秀的特征提取能力，已成为图像分类任务中的热门网络模型。但卷积神经网络仍然存在一些局限性，例如不同层级之间的部分空间信息会在特征提取过程中丢失。

2、在相关技术中，为克服卷积神经网络的上述缺点，利用了胶囊网络处理图像分类任务，其中，胶囊网络利用向量替换卷积神经网络中的标量，作为网络的输入与输出，在特征提取过程中有效保留不同层级间的空间位姿信息。

3、然而，专利技术人在实际应用中发现，胶囊网络虽然通过保留空间位姿信息提升图像分类准确性，但是存在图像分类速度较低的问题，往往需要等待较长时间才能得到图像分类结果。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高图像分类效率的基于胶囊网络模型的图像分类方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本申请提供了一种基于胶囊网络本文档来自技高网...

【技术保护点】

1.一种基于胶囊网络模型的图像分类方法，其特征在于，

2.根据权利要求1所述的图像分类方法，其特征在于，所述轻量化解码器包括深度卷积层和逐点卷积层；

3.根据权利要求2所述的图像分类方法，其特征在于，所述轻量化解码器还包括拉平层；

4.根据权利要求1所述的图像分类方法，其特征在于，所述轻量化解码器包括深度可分离卷积模块和重构层；

5.根据权利要求1至4中任一项所述的图像分类方法，其特征在于，所述将待分类的图像输入到所述编码器，获取经编码的图像特征，包括：

6.根据权利要求5所述的图像分类方法，其特征在于，所述二维忆阻器阵列通过如...

【技术特征摘要】

1.一种基于胶囊网络模型的图像分类方法，其特征在于，

2.根据权利要求1所述的图像分类方法，其特征在于，所述轻量化解码器包括深度卷积层和逐点卷积层；

3.根据权利要求2所述的图像分类方法，其特征在于，所述轻量化解码器还包括拉平层；

4.根据权利要求1所述的图像分类方法，其特征在于，所述轻量化解码器包括深度可分离卷积模块和重构层；

5.根据权利要求1至4中任一项所述的图像分类方法，其特征在于，所述将待分类的图像输入到所述编码器，获取经编码的图像特征，包括：

6.根据权利要求5所述...

【专利技术属性】
技术研发人员：但世豪，
申请(专利权)人：武汉联影智元医疗科技有限公司，
类型：发明
国别省市：