[發(fā)明專(zhuān)利]一種圖像分類(lèi)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710626049.1
• 申請(qǐng)日: 2017-07-27
• 公開(kāi)（公告）號(hào): CN109308480A
• 公開(kāi)（公告）日: 2019-02-05
• 發(fā)明（設(shè)計(jì)）人: 楊文鮮;黃亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 高德軟件有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 北京領(lǐng)科知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11690
• 代理人: 張丹

本申請(qǐng)公開(kāi)了一種圖像分類(lèi)方法及裝置，方法包括：獲取待分類(lèi)圖像集；將待分類(lèi)圖像集輸入分類(lèi)模型序列中進(jìn)行分類(lèi)，所述分類(lèi)模型序列包括從低級(jí)到高級(jí)依序排列的至少兩級(jí)分類(lèi)模型，其中所述待分類(lèi)圖像集輸入到分類(lèi)模型序列中的首個(gè)分類(lèi)模型，低級(jí)分類(lèi)模型輸出的非噪聲的待分類(lèi)圖像作為相鄰的高級(jí)分類(lèi)模型的輸入；輸出分類(lèi)模型序列中最高級(jí)分類(lèi)模型對(duì)所述待分類(lèi)圖像的分類(lèi)結(jié)果。在本申請(qǐng)中，通過(guò)以上方式在保證分類(lèi)準(zhǔn)確度的同時(shí)提高了分類(lèi)速率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及圖像處理領(lǐng)域，更具體地說(shuō)，涉及一種圖像分類(lèi)方法及裝置。

背景技術(shù)

圖像分類(lèi)方法是利用計(jì)算機(jī)識(shí)別圖像或圖像中的某個(gè)目標(biāo)的類(lèi)別的方法。

目前，一般采用單一的圖像分類(lèi)模型進(jìn)行圖像分類(lèi)，并且為了保證圖像分類(lèi)的準(zhǔn)確度，需采用結(jié)構(gòu)復(fù)雜的圖像分類(lèi)模型。然而，結(jié)構(gòu)復(fù)雜的單一圖像分類(lèi)模型雖然能夠提高圖像分類(lèi)的準(zhǔn)確度，但其處理能力有限，無(wú)法滿(mǎn)足海量圖像數(shù)據(jù)分類(lèi)的實(shí)時(shí)性要求。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)?zhí)峁┝艘环N圖像分類(lèi)方法及裝置，用于解決結(jié)構(gòu)復(fù)雜的單一圖像分類(lèi)模型雖然能夠提高圖像分類(lèi)的準(zhǔn)確度，但其處理能力有限，無(wú)法滿(mǎn)足海量圖像數(shù)據(jù)分類(lèi)的實(shí)時(shí)性要求的問(wèn)題。

為了實(shí)現(xiàn)上述目的，現(xiàn)提出的方案如下：

一種圖像分類(lèi)方法，包括：

獲取待分類(lèi)圖像集；

將所述待分類(lèi)圖像集輸入分類(lèi)模型序列中進(jìn)行分類(lèi)，所述分類(lèi)模型序列包括從低級(jí)到高級(jí)依序排列的至少兩級(jí)分類(lèi)模型，其中所述待分類(lèi)圖像集輸入到分類(lèi)模型序列中的首個(gè)分類(lèi)模型，低級(jí)分類(lèi)模型輸出的非噪聲的待分類(lèi)圖像作為相鄰的高級(jí)分類(lèi)模型的輸入；

輸出所述分類(lèi)模型序列中最高級(jí)分類(lèi)模型對(duì)所述待分類(lèi)圖像的分類(lèi)結(jié)果。

優(yōu)選的，所述分類(lèi)模型序列中，高級(jí)分類(lèi)模型的結(jié)構(gòu)復(fù)雜度高于其相鄰的低級(jí)分類(lèi)模型的結(jié)構(gòu)復(fù)雜度。

優(yōu)選的，所述分類(lèi)模型序列中各分類(lèi)模型為預(yù)先分別利用訓(xùn)練圖像訓(xùn)練生成。

優(yōu)選的，所述分類(lèi)模型序列中非最高級(jí)分類(lèi)模型的訓(xùn)練結(jié)束條件包括：非噪聲類(lèi)別訓(xùn)練圖像的召回率達(dá)到第一閾值；

所述分類(lèi)模型序列中最高級(jí)分類(lèi)模型的訓(xùn)練結(jié)束條件包括：訓(xùn)練圖像的召回率達(dá)到第二閾值，訓(xùn)練圖像的識(shí)別準(zhǔn)確率達(dá)到第三閾值。

優(yōu)選的，所述分類(lèi)模型序列中分類(lèi)模型的訓(xùn)練過(guò)程，包括：

利用第一訓(xùn)練圖像集對(duì)初始分類(lèi)模型進(jìn)行訓(xùn)練，得到分類(lèi)模型；

利用第二訓(xùn)練圖像集測(cè)試分類(lèi)模型是否達(dá)到訓(xùn)練結(jié)束條件，若否，將第二訓(xùn)練圖像集中測(cè)試結(jié)果不符合標(biāo)準(zhǔn)的樣本復(fù)制到第一訓(xùn)練圖像集中，并利用復(fù)制后的第一訓(xùn)練圖像集迭代訓(xùn)練分類(lèi)模型，直至根據(jù)第二訓(xùn)練圖像集測(cè)試分類(lèi)模型達(dá)到訓(xùn)練結(jié)束條件為止，得到訓(xùn)練完畢的分類(lèi)模型。

優(yōu)選的，分類(lèi)模型的訓(xùn)練過(guò)程還包括：

若確定分類(lèi)模型訓(xùn)練次數(shù)達(dá)到設(shè)定次數(shù)閾值后仍未達(dá)到訓(xùn)練結(jié)束條件，則利用區(qū)別于第一和第二訓(xùn)練圖像集的第三訓(xùn)練圖像集對(duì)分類(lèi)模型繼續(xù)訓(xùn)練。

一種圖像分類(lèi)裝置，包括：

獲取模塊，用于獲取待分類(lèi)圖像集；

分類(lèi)模塊，用于將所述待分類(lèi)圖像集輸入分類(lèi)模型序列中進(jìn)行分類(lèi)，所述分類(lèi)模型序列包括從低級(jí)到高級(jí)依序排列的至少兩級(jí)分類(lèi)模型，其中所述待分類(lèi)圖像集輸入到分類(lèi)模型序列中的首個(gè)分類(lèi)模型，低級(jí)分類(lèi)模型輸出的非噪聲的待分類(lèi)圖像作為相鄰的高級(jí)分類(lèi)模型的輸入；

輸出模塊，用于輸出所述分類(lèi)模型序列中最高級(jí)分類(lèi)模型對(duì)所述待分類(lèi)圖像的分類(lèi)結(jié)果。