【技术实现步骤摘要】
本申请涉及图像分类，尤其涉及一种用于图像分类的模型获得方法、装置、电子设备和存储介质。
技术介绍
1、随着深度神经网络技术在用于图像分类的模型获得方法领域日趋成熟，目前使用一些深度神经网络作为图像分类模型。在用于图像分类的模型获得方法中，对输入的图像离散后得到的离散值，进而使用图像分类模型，得到图像分类结果。由于目前用于图像分类的模型获得方法中对图像的离散值不准确，进而影响后续图像分类结果的准确性。
技术实现思路
1、本申请提供一种改进的用于图像分类的模型获得方法、装置、电子设备和存储介质。
2、本申请提供一种用于图像分类的模型获得方法，包括：
3、提取图像数据集中图像的特征，获得各图像的特征图；
4、使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据；
5、使用初始步长及所述预设权重范围，将归一化的图像数据连续的像素值进行量化，转换为离散的像素值，得到量化后图像；
6、将原始图像与所述量化后图像进行比对，确定图像信噪比；
7、在所述图像信噪比不满足图像质量条件的情况下，调整所述初始步长，返回继续执行所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据的步骤直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值；
8、将所述图像的离散值输入至待训练图像分类模型进行训练，得到已训练的图像分类模型；所述已训练的图像分类模型用
9、进一步的，所述在所述图像信噪比不满足图像质量条件的情况下，调整所述初始步长，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值，包括：
10、逐步减小步长的数值；
11、使用所减小的步长，更新所述初始步长，重新执行所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据的步骤，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值。
12、进一步的，所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据，包括：
13、通过各图像的特征图每个通道的像素值，确定特征图的均值和方差；
14、使用归一化的预设权重范围和初始步长，以及均值和方差对所述特征图进行归一化，获得归一化的图像数据；
15、确定归一化的图像数据是否处于不同范围内；
16、当所述归一化的图像数据包含处于不同范围内的图像数据时，将处于不同范围内的图像数据，通过线性变换，调整所述图像数据的数据范围，映射到预设权重范围内。
17、进一步的，所述提取图像数据集中图像的特征，获得各图像的特征图，包括：
18、使用mobilenetv2，提取图像数据集中图像的特征，获得图像特征图；其中，所述mobilenetv2的深度可分离卷积包含第一层深度可分离卷积、第二层深度可分离卷积及第三深度可分离卷积；所述第一层深度可分离卷积是具有非线性函数的1×1卷积，所述第二层深度可分离卷积是用于滤波的深度可分离层，所述第三深度可分离卷积是用于组合操作的逐点可分离层。
19、进一步的，所述使用初始步长及所述预设权重范围，将归一化的图像数据连续的像素值进行量化，转换为离散的像素值，得到量化后图像，包括：
20、对于归一化后的图像数据中的每个像素值，使用量化步长及量化级别，进行量化，得到量化后的像素值；所述量化步长是通过连续像素值的范围除以所述量化级别得到的；所述量化级别用于将图像的像素值映射到预设的离散的像素值范围；
21、确定量化后的像素值是否处于不同范围内；以及，
22、当所述量化后的像素值包含处于不同范围内的像素值时，将处于不同范围内量化后的像素值，通过线性变换，调整所述处于不同范围内量化后的像素值的数据范围，将所述处于不同范围内量化后的像素值映射到预设的离散的像素值范围内。
23、进一步的，所述将所述图像的离散值输入至待训练图像分类模型进行训练，得到已训练的图像分类模型，包括：
24、将所述图像的离散值输入至待训练图像分类模型，以输出图像分类结果；
25、使用所述图像分类结果，对所述待训练图像分类模型验证和测试，得到所述待训练图像分类模型的推理精度；
26、当所述推理精度小于预设推理精度时，调整所述待训练图像分类模型的模型参数，返回继续执行所述将所述图像的离散值输入至所调整的待训练图像分类模型，以输出图像分类结果，直至所述推理精度大于预设推理精度，得到已训练的图像分类模型。
27、本申请提供一种用于图像分类的模型获得装置，包括：
28、特征提取模块，用于提取图像数据集中图像的特征，获得各图像的特征图；
29、归一化模块，用于使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据；
30、量化模块，用于使用初始步长及所述预设权重范围，将归一化的图像数据连续的像素值进行量化，转换为离散的像素值，得到量化后图像；
31、比对模块，用于将原始图像与所述量化后图像进行比对，确定图像信噪比；
32、调整模块，用于在所述图像信噪比不满足图像质量条件的情况下，调整所述初始步长，返回继续执行所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据的步骤，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值；以及，
33、训练模块，用于将所述图像的离散值输入至待训练图像分类模型进行训练，得到已训练的图像分类模型；所述已训练的图像分类模型用于获取待分类图像作为输入，以输出待分类图像的图像分类结果。
34、进一步的，所述调整模块，具体用于：逐步减小步长的数值；使用所减小的步长，更新所述初始步长，重新执行所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据的步骤，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值。
35、本申请提供一种用于图像分类的模型获得系统，包括一个或多个处理器，用于实现如上任一项所述的方法。
36、本申请提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现如上任一项所述的方法。
37、本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上任一项所述的方法。
38、在一些实施例中，本申请的用于图像分类的模型获得方法，提取图像数据集中图像的特征，获得各图像的特征图；使用归一化的预设权重范围和初始步长，对每个通道的特征图进行均值和方差的归一化，获得归一化的图像数据；将归一化的图像数据连续的像素值进行量化，转换为离散的像素值，本文档来自技高网...
【技术保护点】
1.一种用于图像分类的模型获得方法，其特征在于，包括：
2.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述在所述图像信噪比不满足图像质量条件的情况下，调整所述初始步长，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值，包括：
3.如权利要求1或2所述的用于图像分类的模型获得方法，其特征在于，所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据，包括：
4.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述提取图像数据集中图像的特征，获得各图像的特征图，包括：
5.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述使用初始步长及所述预设权重范围，将归一化的图像数据连续的像素值进行量化，转换为离散的像素值，得到量化后图像，包括：
6.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述将所述图像的离散值输入至待训练图像分类模型进行训练，得到已训练的图像分类模型，包括：
7.一种用于图像分类的模型获得装置，其特征在
8.如权利要求7所述的用于图像分类的模型获得装置，其特征在于，所述调整模块，具体用于：逐步减小步长的数值；使用所减小的步长，更新所述初始步长，重新执行所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据的步骤，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值。
9.一种电子设备，其特征在于，包括一个或多个处理器，用于实现如权利要求1-6中任一项所述的用于图像分类的模型获得方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现如权利要求1-6中任一项所述的用于图像分类的模型获得方法。
...【技术特征摘要】
1.一种用于图像分类的模型获得方法，其特征在于，包括：
2.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述在所述图像信噪比不满足图像质量条件的情况下，调整所述初始步长，直至所述图像信噪比满足图像质量条件的情况下，输出所述图像的离散值，包括：
3.如权利要求1或2所述的用于图像分类的模型获得方法，其特征在于，所述使用预设权重范围，对每个通道的所述特征图进行均值和方差的归一化，获得归一化的图像数据，包括：
4.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述提取图像数据集中图像的特征，获得各图像的特征图，包括：
5.如权利要求1所述的用于图像分类的模型获得方法，其特征在于，所述使用初始步长及所述预设权重范围，将归一化的图像数据连续的像素值进行量化，转换为离散的像素值，得到量化后图像，包括：
6.如权利要求1所述的用...
【专利技术属性】
技术研发人员：范亮，汤坚，张磊，王秋媚，柯燕萍，
申请(专利权)人：广州中科智巡科技有限公司，
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。