【技术实现步骤摘要】
本专利技术涉及图像处理领域，尤其涉及一种图像分类方法、电子设备及存储介质。
技术介绍
1、在目前的图像分类网络中，全连接层中庞大的运算量会导致运算用时较长，造成图像分类速度缓慢，因此，如何在确保分类准确率的情况下提高图像分类的速度，成为了目前需要解决的问题。
技术实现思路
1、鉴于以上内容，有必要提供一种图像分类方法、电子设备及存储介质，能够解决难以减少全连接层中庞大的运算量而导致图像分类速度缓慢的问题。
2、本申请提供一种图像分类方法，所述方法包括：获取分类网络，并获取待分类图像、训练图像及多张测试图像，基于所述训练图像对所述分类网络进行训练，得到第一分类模型，计算所述第一分类模型对所述多张测试图像的预测正确率，若所述预测正确率小于预设值，从所述多张测试图像中选取目标图像对所述第一分类模型进行调整，得到第二分类模型，其中，所述第二分类模型包括压平层、全连接层及分类层，将所述待分类图像输入到所述第二分类模型中，并获取从所述压平层输出的初始特征矩阵，若所述初始特征矩阵的维度小于所述全连接层中的初始权重矩阵的维度，对所述初始特征矩阵进行升维处理，得到目标特征矩阵，将所述初始权重矩阵中的元素进行重新排列，得到目标权重矩阵，根据所述目标权重矩阵及所述目标特征矩阵生成目标向量，将所述目标向量输入到所述分类层中，得到所述待分类图像的分类结果。
3、根据本申请可选实施例，所述基于所述训练图像对所述分类网络进行训练，得到第一分类模型包括：基于所述训练图像计算所述分类网络的损
4、根据本申请可选实施例，所述基于所述训练图像计算所述分类网络的损失值包括：所述损失值的计算方法为：
5、
6、
7、其中，lsup是指所述损失值，是指第i张训练图像的损失值，2n是指所述训练图像的图像总量，i是指所述训练图像中的第i张训练图像，yi是指所述第i张训练图像的标注类别，j是指与所述第i张训练图像的标注类别相同的训练图像中的第j张训练图像，yj是指所述第j张训练图像的标注类别，nyi是指与所述第i张训练图像的标注类别相同的训练图像的数量，||i≠j为第一指示函数，当且仅当i＝j时取零，当i≠j时取1，为第二指示函数，当且仅当yi＝yj时取零，当yi≠yj时取1，||i≠k为第三指示函数，当且仅当i＝k时取零，当i≠k时取1，zi是指将所述第i张训练图像输入到所述分类网络中得到的单位向量，zj是指将所述第j张训练图像输入到所述分类网络中得到的单位向量，k是指除所述第i张训练图像之外的任意一张训练图像，zk是指将第k张训练图像输入到所述分类网络中得到的单位向量，τ为预设的标量调节参数。
8、根据本申请可选实施例，所述计算所述第一分类模型对所述多张测试图像的预测正确率包括：获取所述多张测试图像的类别标签，将所述多张测试图像输入到所述第一分类模型中，得到每张测试图像的预测结果，将所述预测结果与对应的类别标签进行比较，并将与所述对应的类别标签相同的预测结果确定为目标结果，将所述目标结果对应的测试图像确定为所述目标图像，统计多张所述目标图像的第一数量及所述多张测试图像的第二数量，计算所述第一数量在所述第二数量中所占的比率，得到所述预测正确率。
9、根据本申请可选实施例，所述从所述多张测试图像中选取目标图像对所述第一分类模型进行调整，得到第二分类模型包括：对多张所述目标图像进行聚类处理，生成多个聚类中心，将每个聚类中心对应的目标图像输入到所述第一分类模型中进行训练，直至所述预测正确率大于或者等于所述预设值，得到所述第二分类模型。
10、根据本申请可选实施例，所述若所述初始特征矩阵的维度小于所述全连接层中的初始权重矩阵的维度，则对所述初始特征矩阵进行升维处理，得到目标特征矩阵包括：统计所述初始特征矩阵的矩阵行数及矩阵列数，将所述矩阵行数与所述矩阵列数进行相乘运算，得到目标乘积，将所述目标乘积进行质因子分解，得到多个质因子，将所述多个质因子中相同的任意两个质因子组合成质因子对，并计算所述质因子对中两个质因子的乘积，得到特征乘积，每个质因子只能组合一次，根据所述目标乘积及所述特征乘积从所述质因子对中选取目标质因子对，提取所述目标质因子对中的一个质因子，得到特征质因子，根据所述目标质因子对的对数及所述特征质因子生成特征数值，在所述多个质因子中将所述目标质因子对替换为零，在完成替换后将所有不为零的质因子进行相乘运算，得到目标数值，基于配置值、所述目标数值及所述特征数值，对所述初始特征矩阵进行升维处理，得到所述目标特征矩阵。
11、根据本申请可选实施例，所述将所述初始权重矩阵的元素进行重新排列，得到目标权重矩阵包括：将所述初始权重矩阵中每列的最后一个元素确定为目标元素，重复将每列的列首位置的元素调整到每列的列尾位置，每列其它元素的位置依序向列首位置移动，直到所述目标元素移动到列首位置后停止排列，得到所述目标权重矩阵。
12、根据本申请可选实施例，所述根据所述目标权重矩阵及所述目标特征矩阵生成目标向量包括：将所述目标权重矩阵与所述目标特征矩阵进行相乘运算，得到所述目标向量。
13、本申请提供一种电子设备，所述电子设备包括：
14、存储器，存储至少一个指令；及
15、处理器，执行所述至少一个指令以实现所述的图像分类方法。
16、本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的图像分类方法。
17、由以上技术方案可以看出，本申请通过计算所述第一分类模型对所述多张测试图像的预测正确率，进而将所述预测准确率与所述预设值进行比较以确定是否要对所述第一分类模型进行调整，能够提高所述第二分类模型的预测能力，由于在调整过程中只选取了目标图像对所述第一分类模型进行调整，能够降低调整过程中的运算量，从而提高所述第二分类模型的生成效率，将所述待分类图像输入所述第二分类模型中，并获取从压平层输出的初始特征矩阵，若所述初始特征矩阵的维度小于所述全连接层中的初始权重矩阵的维度，则对所述初始特征矩阵进行升维处理，得到目标特征矩阵，通过改变所述目标特征矩阵的维度，能够增加每次运算的参数量，获取全连接层的初始权重矩阵，并将所述初始权重矩阵的元素进行重新排列，得到所述目标权重矩阵，将所述目标权重矩阵与所述目标特征矩阵进行乘累加运算，得到目标向量，并将所述目标向量输入到所述分类层中，得到所述待分类图像的分类结果，由于将所述初始权重矩阵中的元素进行重新排列后改变了元素的运算顺序，因此能够确保每次运算时都会有权重矩阵中的元素参与运算，进而能够避免输出空白结果(即避免进行无效运算)，从而能够减少运算的次数及运算所用的时间，因此能够加快图像分类的速度。
本文档来自技高网...【技术保护点】
1.一种图像分类方法，其特征在于，所述图像分类方法包括：
2.如权利要求1所述的图像分类方法，其特征在于，所述基于所述训练图像对所述分类网络进行训练，得到第一分类模型包括：
3.如权利要求2所述的图像分类方法，其特征在于，所述基于所述训练图像计算所述分类网络的损失值包括：
4.如权利要求1所述的图像分类方法，其特征在于，所述计算所述第一分类模型对所述多张测试图像的预测正确率包括：
5.如权利要求1所述的图像分类方法，其特征在于，所述从所述多张测试图像中选取目标图像对所述第一分类模型进行调整，得到第二分类模型包括：
6.如权利要求1所述的图像分类方法，其特征在于，所述若所述初始特征矩阵的维度小于所述全连接层中的初始权重矩阵的维度，则对所述初始特征矩阵进行升维处理，得到目标特征矩阵包括：
7.如权利要求1所述的图像分类方法，其特征在于，所述将所述初始权重矩阵的元素进行重新排列，得到目标权重矩阵包括：
8.如权利要求1所述的图像分类方法，其特征在于，所述根据所述目标权重矩阵及所述目标特征矩阵生成目标向量
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至8中任意一项所述的图像分类方法。
...【技术特征摘要】
1.一种图像分类方法，其特征在于，所述图像分类方法包括：
2.如权利要求1所述的图像分类方法，其特征在于，所述基于所述训练图像对所述分类网络进行训练，得到第一分类模型包括：
3.如权利要求2所述的图像分类方法，其特征在于，所述基于所述训练图像计算所述分类网络的损失值包括：
4.如权利要求1所述的图像分类方法，其特征在于，所述计算所述第一分类模型对所述多张测试图像的预测正确率包括：
5.如权利要求1所述的图像分类方法，其特征在于，所述从所述多张测试图像中选取目标图像对所述第一分类模型进行调整，得到第二分类模型包括：
6.如权利要求1所述的图像分类方法，其特征在于，...
【专利技术属性】
技术研发人员：颜健武，
申请(专利权)人：鸿海精密工业股份有限公司，
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。