[發明專利]圖像分類過程的優化方法、圖像分類方法、裝置及系統

有效

• 申請號: 201710362944.7
• 申請日: 2017-05-22
• 公開（公告）號: CN108960265B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 魏溪含;申晨
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 李輝;周達

本申請實施方式公開了一種圖像分類過程的優化方法、圖像分類方法、裝置及系統，其中，所述圖像分類過程的優化方法包括：生成樣本集中的圖像樣本的表征向量；基于所述表征向量輸出評價信息；在屬于所述第一類別的圖像樣本對應的表征向量中選擇一個表征向量作為基準表征向量，計算所述基準表征向量對應的第一差異值和第二差異值，并根據所述第一差異值和所述第二差異值的差值生成第一反饋值；根據所述表征向量表示的圖像樣本在所述樣本集中隸屬的類別以及所述評價信息得到第二反饋值；使用所述第一反饋值和所述第二反饋值執行優化矯正過程。本申請提供的技術方案，能夠提高圖像分類的精度。

技術領域

本申請涉及互聯網技術領域，特別涉及一種圖像分類過程的優化方法、圖像分類方法、裝置及系統。

背景技術

隨著大數據時代的來臨，圖像分類器正在各行各業發揮著重要的作用。圖像分類器通常可以對海量的數據進行分析，提取出數據中的特征，并依據提取的特征將數據進行分類。

在圖像分類器中，通常可以劃分為訓練階段和預測階段。其中，訓練階段可以采用大量的已經進行分類的數據樣本，對分類器涉及的神經網絡進行訓練，以使得訓練后的神經網絡能夠正確地將數據樣本劃分至所屬的類別中。預測階段則可以向完成訓練的神經網絡中輸入待分類的數據，神經網絡在對輸入的待分類的數據進行計算之后，可以輸出該數據對應的類別信息，從而完成預測的過程。

然而，在當前的圖像分類器中，通常只能根據數據的全局特征對數據進行分類。例如，當前可以通過LeNet-5和softmax組合的神經網絡進行圖片分類，還可以通過Inception-v4和softmax組合的神經網絡進行圖片分類。這些分類方法在對全局特征存在明顯差異的對象進行分類時效果較好。例如，現有的圖像分類器在對表示“碗”、“球”、“房子”這些圖片進行分類時，通常能夠得到較精準的分類結果。但是在對存在相同或者相似局部特征的對象進行分類時，效果往往不夠好。例如，現有的圖像分類器通常難以很好地對“碗”和“盆”進行識別。由上可見，在針對特征相似的對象時，現有的圖像分類器存在分類精度較低的問題。

發明內容

本申請實施方式的目的是提供一種圖像分類過程的優化方法、圖像分類方法、裝置及系統，能夠提高圖像分類的精度。

為實現上述目的，本申請實施方式提供一種圖像分類過程的優化方法，提供有包括圖像樣本的樣本集，所述圖像樣本被劃分為第一類別和第二類別；所述第一類別和所述第二類別中包括的圖像樣本不同；所述方法包括：生成所述樣本集中的圖像樣本的表征向量；所述表征向量用于表示對應的圖像樣本；基于所述表征向量輸出對應圖像樣本相應于所述第一類別和所述第二類別的評價信息；在屬于所述第一類別的圖像樣本對應的表征向量中選擇一個表征向量作為基準表征向量，計算所述基準表征向量與所述第一類別中其它圖像樣本的表征向量之間的第一差異值；以及計算所述基準表征向量與所述第二類別中圖像樣本的表征向量之間的第二差異值；根據所述第一差異值和所述第二差異值的差值，生成第一反饋值；根據所述圖像樣本在所述樣本集中隸屬的類別以及所述評價信息得到第二反饋值；使用所述第一反饋值和所述第二反饋值執行優化矯正過程。

為實現上述目的，本申請實施方式還提供一種圖像分類過程的優化裝置，所述裝置包括存儲器和處理器，其中：所述存儲器，用于存儲包括圖像樣本的樣本集，所述圖像樣本被劃分為第一類別和第二類別；所述第一類別和所述第二類別中包括的圖像樣本不同；所述處理器，用于生成所述樣本集中的圖像樣本的表征向量；所述表征向量用于表示對應的圖像樣本；基于所述表征向量輸出對應圖像樣本相應于所述第一類別和所述第二類別的評價信息；在屬于所述第一類別的圖像樣本對應的表征向量中選擇一個表征向量作為基準表征向量，計算所述基準表征向量與所述第一類別中其它圖像樣本的表征向量之間的第一差異值；以及計算所述基準表征向量與所述第二類別中圖像樣本的表征向量之間的第二差異值；根據所述第一差異值和所述第二差異值的差值，生成第一反饋值；根據所述圖像樣本在所述樣本集中隸屬的類別以及所述評價信息得到第二反饋值；使用所述第一反饋值和所述第二反饋值執行優化矯正過程。