[發(fā)明專利]圖像分類方法、裝置以及計算機可讀存儲介質

有效

• 申請?zhí)枺?/td>: 201711060208.2
• 申請日: 2017-11-01
• 公開（公告）號: CN109753978B
• 公開（公告）日: 2023-02-17
• 發(fā)明（設計）人: 彭湃;吳凱琳;郭曉威
• 申請（專利權）人: 騰訊科技（深圳）有限公司;騰訊云計算（北京）有限責任公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 金愛靜;張穎玲

1.一種圖像分類方法，其特征在于，包括：

獲得原始圖像、以及所述原始圖像中所包括的對象的類別，其中，所述類別是指針對圖像中包含的對應的對象進行分類的維度，所述分類的維度包括所述對象外觀上呈現(xiàn)的外在特性和所述對象外觀隱含的內在特性中的任意一種；

調整所述原始圖像的顯示參數(shù)滿足取值條件；

根據(jù)所述顯示參數(shù)的分布需要滿足的分布條件，對所述原始圖像的所述顯示參數(shù)進行變換獲得新圖像，其中，所述分布條件為指針對不同的顯示參數(shù)預先設置的需要滿足的條件，所述分布條件包括：平均分布條件、隨機分布條件和高斯分布條件的其中之一；

基于調整后的原始圖像和所述新圖像進行組合構造的訓練集、以及所包括對象的類別，訓練神經網(wǎng)絡模型；

在組合神經網(wǎng)絡模型中，利用所述組合神經網(wǎng)絡模型提取待預測圖像的圖像特征、以及標注有對象的類別的參考圖像的圖像特征，所述參考圖像為所述訓練集中圖像；

確定所述待預測圖像的圖像特征、與所述參考圖像的圖像特征的距離向量，將所述距離向量進行降采樣處理；

將降采樣處理后的距離向量映射到特定取值空間，得到所述待預測圖像屬于所述參考圖像所標注的所述對象的類別的概率。

2.如權利要求1所述的圖像分類方法，其特征在于，所述調整所述原始圖像的顯示參數(shù)滿足取值條件，包括：

檢測所述原始圖像中所包括對象的成像區(qū)域；

調整所述原始圖像的尺寸，直至所述原始圖像所包括對象的成像區(qū)域的尺寸一致。

3.如權利要求1所述的圖像分類方法，其特征在于，所述調整所述原始圖像的顯示參數(shù)滿足取值條件，包括：

基于所述原始圖像需要滿足的識別度，對所述原始圖像的各個顏色通道進行圖像增強處理。

4.如權利要求1所述的圖像分類方法，其特征在于，所述調整所述原始圖像的顯示參數(shù)滿足取值條件，包括：

對所述原始的圖像中對象的未成像區(qū)域進行裁剪；

調整裁剪后的圖像符合預設尺寸。

5.如權利要求1所述的圖像分類方法，其特征在于，所述根據(jù)顯示參數(shù)的分布需要滿足的分布條件，對所述原始圖像的顯示參數(shù)進行變換獲得新圖像，包括：

根據(jù)所述圖像的至少一種類別的顯示參數(shù)所處的取值空間、以及在所述取值空間所滿足的分布條件，確定根據(jù)所述原始圖像的顯示參數(shù)相較于所述分布條件所缺失的顯示參數(shù)；

將所述原始圖像的顯示參數(shù)向所述缺失的顯示參數(shù)進行變換得到新圖像。

6.如權利要求1所述的圖像分類方法，其特征在于，所述訓練神經網(wǎng)絡模型，包括：

初始化神經網(wǎng)絡模型；

初始化與所述神經網(wǎng)絡模型順序連接的距離計算層、全連接層、以及分類層，得到用于對所述待預測圖像分類的組合神經網(wǎng)絡模型，將所述訓練集包括的圖像以及對應的類別輸入所述神經網(wǎng)絡模型進行迭代訓練，直至所述神經網(wǎng)絡模型的損失函數(shù)滿足收斂條件。

7.如權利要求1所述的圖像分類方法，其特征在于，所述基于調整后的原始圖像和所述新圖像進行組合構造的訓練集、以及所包括的對象的類型，訓練神經網(wǎng)絡模型之前，還包括：

基于調整后的原始圖像和所述新圖像進行兩兩組合構造訓練集。