[發明專利]圖像分類、關系網絡模型訓練、圖像標注方法及裝置

在審

• 申請號: 201911099792.1
• 申請日: 2019-11-12
• 公開（公告）號: CN111046910A
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 黃彥春;曹佐;周鑫;劉瑞峰;李東帥;張弓;王仲遠
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市隆安律師事務所 11323
• 代理人: 權鮮枝

本申請公開了圖像分類方法、關系網絡模型訓練方法、圖像標注方法及裝置，所述圖像分類方法包括：提取目標圖像的圖像特征；將所述目標圖像的圖像特征輸入經訓練得到的關系網絡模型，利用關系網絡模型將所述目標圖像的圖像特征與第一支持集中已分類的各圖像的圖像特征進行相似關系預測，根據預測結果確定所述第一支持集中與所述目標圖像相似的圖像并根據相似的圖像的分類信息確定所述目標圖像的圖像類別。有益效果在于使用關系網絡模型預測圖像特征之間的相似關系，從而反映出圖像的相似性，將分類問題轉變為相似性預測問題，關系網絡模型不依賴大量標注樣本即可完成訓練，在圖像分類時可以應對訓練階段未見過的新分類，訓練成本低，分類效果好。

技術領域

本申請涉及圖像標注領域，具體涉及圖像分類、關系網絡模型訓練、圖像標注方法及裝置。

背景技術

計算機視覺(Computer Vision，簡稱為CV)是機器學習的重要應用領域之一。其中，如何高效和準確的獲取圖像標注集是該應用領域得以有效應用的一個關鍵問題。圖像標注可以理解成為圖像標注類別信息，即核心在于如何對圖像進行分類。目前，現有的圖像標注方案大致可以分為兩類：

第一種是采用人工標注的形式，也就是通過人工識別圖像分類。這種方式的效率低下，準確率也不佳，而且受制于人工成本的影響，需要耗費大量的經濟和時間成本。

第二種是借助特定的計算機算法進行圖像分類，來輔助進行圖像標注。這種方式可以節省大量人力成本，工作效率和識別準確度上也較高。但目前這種方式在相似性度量、算法、方面仍然存在較大的改進和提升空間。

就算法而言。算法可分為有(半)監督算法和無監督算法。對于有(半)監督算法，通常做法是先用分類器對未標注數據進行預分類，然后再進行人工審核。但是由于大多數分類器只能對訓練集中已有類別進行分類，當出現訓練集以外類別的圖像時，則需重新訓練分類器。對于無監督算法，通常做法為先對未標注數據進行聚類，然后再人工審核。就樣本相似性度量計算而言，目前大多數仍采用單一固定的度量方式，如采用計算余弦函數cosine，計算歐式距離等方式。

但是實踐中，以上圖像分類方式效果并不佳，難以達到令人滿意的程度。

發明內容

鑒于上述問題，提出了本申請以便提供一種克服上述問題或者至少部分地解決上述問題的圖像分類方法、裝置及圖像標注方法、裝置。

依據本申請的第一方面，提供了一種圖像分類方法，包括：提取目標圖像的圖像特征；將所述目標圖像的圖像特征輸入經訓練得到的關系網絡模型，利用所述關系網絡模型將所述目標圖像的圖像特征與第一支持集中已分類的各圖像的圖像特征進行相似關系預測，根據預測結果確定所述第一支持集中與所述目標圖像相似的圖像并根據相似的圖像的分類信息確定所述目標圖像的圖像類別。

依據本申請的第二方面，提供了一種關系網絡模型訓練方法，包括：獲取訓練集，所述訓練集中的各圖像帶有分類信息；對所述訓練集中的各圖像進行圖像特征提取；基于所述訓練集中的各圖像的圖像特征，迭代訓練所述關系網絡模型預測圖像特征間的相似關系。

依據本申請的第三方面，提供了一種圖像標注方法，包括：通過如上述任一項所述的方法，獲取目標圖像的圖像類別；根據所述目標圖像的圖像類別，生成目標圖像的標注信息。

依據本申請的第四方面，提供了一種圖像分類裝置，包括：圖像特征提取單元，用于提取目標圖像的圖像特征；圖像分類單元，用于將所述目標圖像的圖像特征輸入經訓練得到的關系網絡模型，利用所述關系網絡模型將所述目標圖像的圖像特征與第一支持集中已分類的各圖像的圖像特征進行相似關系預測，根據預測結果確定所述第一支持集中與所述目標圖像相似的圖像并根據相似的圖像的分類信息確定所述目標圖像的圖像類別。