[發明專利]圖像分類方法、裝置、電子設備及存儲介質

在審

• 申請號: 202010275340.0
• 申請日: 2020-04-09
• 公開（公告）號: CN111539460A
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 徐健
• 申請（專利權）人: 咪咕文化科技有限公司;中國移動通信集團有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王宇楊

1.一種圖像分類方法，其特征在于，包括：

確定待分類的圖像；

將所述待分類的圖像輸入圖像分類模型，得到所述圖像分類模型輸出的圖像分類結果；其中，

所述圖像分類模型是基于樣本圖像數據與樣本類別標簽，通過對卷積神經網絡模型進行訓練得到的；

所述圖像分類模型在訓練時采用預設的反向傳播方法，所述預設的反向傳播方法對所述卷積神經網絡模型中的預設層所輸出的梯度集合進行稀疏處理。

2.根據權利要求1所述的圖像分類方法，其特征在于，所述預設的反向傳播方法對所述卷積神經網絡模型中的預設層所輸出的梯度集合進行稀疏處理包括：

當所述卷積神經網絡模型為包含批標準化層的卷積神經網絡模型時，對所述卷積神經網絡模型中的批標準化層所輸出的梯度集合進行稀疏處理。

3.根據權利要求1所述的圖像分類方法，其特征在于，所述預設的反向傳播方法對所述卷積神經網絡模型中的預設層所輸出的梯度集合進行稀疏處理包括：

當所述卷積神經網絡模型為未包含批標準化層的卷積神經網絡模型時，對所述卷積神經網絡模型中的ReLU激活層在反向傳播方向上的前一相鄰層所輸出的梯度集合進行稀疏處理。

4.根據權利要求1所述的圖像分類方法，其特征在于，所述稀疏處理包括：

將所述梯度集合中絕對值小于預設的稀疏處理閾值的第一梯度值，設置為0或設置為第一預設值或設置為第二預設值；其中，

所述第一預設值與所述第二預設值的絕對值相同，所述第一預設值為正，所述第二預設值為負。

5.根據權利要求4所述的圖像分類方法，其特征在于，所述將所述梯度集合中絕對值小于預設的稀疏處理閾值的第一梯度值，設置為0或設置為第一預設值或設置為第二預設值進一步包括：

將所述第一梯度值的絕對值與第一閾值進行比較，若所述第一梯度值的絕對值小于或等于所述第一閾值，則將所述第一梯度值設置為0，若所述第一梯度值的絕對值大于所述第一閾值，則確定所述第一梯度值是否大于0，若所述第一梯度值大于0，則將所述第一梯度值設置為第一預設值，若所述第一梯度值小于或等于0，則將所述第一梯度值設置為第二預設值；其中，

所述第一閾值是所述稀疏處理閾值與第一隨機數的乘積，所述第一隨機數為取值范圍在[0,1]區間內的數。

6.根據權利要求1所述的圖像分類方法，其特征在于，所述卷積神經網絡模型在反向傳播方向上依次包括：

ReLU激活層、批標準化層、稀疏處理層以及卷積層；其中，

所述稀疏處理層用于對所述批標準化層在反向傳播中所輸出的第一梯度集合進行稀疏處理，得到第二梯度集合，將所述第二梯度集合輸入至所述卷積層。

7.根據權利要求1所述的圖像分類方法，其特征在于，所述卷積神經網絡模型在反向傳播方向上依次包括：稀疏處理層、ReLU激活層以及卷積層；其中，

所述稀疏處理層用于對在反向傳播中將要輸入至所述ReLU激活層的第三梯度集合進行稀疏處理，得到第四梯度集合，將所述第四梯度集合輸入至所述ReLU激活層。

8.一種圖像分類裝置，其特征在于，包括：

確定模塊，用于確定待分類的圖像；

分類模塊，用于將所述待分類的圖像輸入圖像分類模型，得到所述圖像分類模型輸出的圖像分類結果；其中，

所述圖像分類模型是基于樣本圖像數據與樣本類別標簽，通過對卷積神經網絡模型進行訓練得到的；

所述圖像分類模型在訓練時采用預設的反向傳播方法，所述預設的反向傳播方法對所述卷積神經網絡模型中的預設層所輸出的梯度集合進行稀疏處理。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述圖像分類方法的步驟。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7任一項所述圖像分類方法的步驟。