[發明專利]一種圖像分類方法、裝置、設備及介質

在審

• 申請號: 202110654650.8
• 申請日: 2021-06-11
• 公開（公告）號: CN113537286A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 廖丹萍
• 申請（專利權）人: 浙江智慧視頻安防創新中心有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 谷波

1.一種圖像分類方法，其特征在于，包括：

采集輸入圖像數據進行預處理，并根據預處理后的數據構建圖像標簽；

構建神經網絡，并設計損失函數；

將所述圖像標簽分為訓練集圖像和測試集圖像，并根據所述訓練集圖像訓練所述神經網絡；

利用所述測試集圖像對訓練后的所述神經網絡進行圖像分類測試。

2.根據權利要求1所述的方法，其特征在于，所述根據預處理后的數據構建圖像標簽，具體包括：

將所述圖像數據中的類別屬性相似的分為同一組；

根據所述圖像數據原始的獨熱標簽類別相似度，設置組內和組外類別標簽；

對數據集中的類別，根據類別相似度，分成N個大組，每個子類歸屬到一個大組；其中，N為正整數；

對每一張訓練圖像，構建其對應的標簽y。

3.根據權利要求2所述的方法，其特征在于，所述構建其對應的標簽y具體包括：

將其原始的獨熱標簽進行組外平滑，使得其他組的類別分量為ε₁/K，K為數據集所有類別的數量；

將組內其他類別的標簽分量設置成ε₂/K，其中，ε₂＞ε₁，ε₂和ε₁為預設參數；

圖像所屬子類別對應的標簽分量為1-ε₁/K×K₁-ε₂/K×K₂；

其中，K₁是組外其他類別的類別總數，K₂是組內其他類別的類別總數。

4.根據權利要求1所述的方法，其特征在于，所述預先設計好的損失函數具體為：

loss(y，z)＝-∑_iy_ilog(z_i)+∑_nλ||Z_n||_1，2，其中，y_i表示圖像數據的真實標簽在第i類的概率；

z_i是第i類的預測概率值；

λ為組稀疏約束的權重，n表示所屬組之外的其他大組的下標，k表示遍歷第n組的所有類別概率分量；

i為自然數。

5.根據權利要求1所述的方法，其特征在于，所述根據所述訓練集圖像訓練所述神經網絡，具體包括：

利用隨機梯度下降法對所述訓練集圖像進行訓練，得到所述神經網絡。

6.根據權利要求5所述的方法，其特征在于，所述利用隨機梯度下降法對所述訓練集圖像進行訓練，得到所述神經網絡具體包括：

根據所述訓練集圖像的數量以及預訓練模型，設置網絡訓練的超參數；

對神經網絡的預測概率利用所述損失函數計算損失值；

利用隨機梯度下降法對網絡參數進行更新，使得網絡損失值逐步收斂；

其中，所述超參數包括圖像的批大小、初始學習率和/或學習率動量。

7.根據權利要求1所述的方法，其特征在于，所述利用所述測試集圖像對訓練后的所述神經網絡進行圖像分類測試具體包括：

選擇一張測試集圖像中的圖像數據，將其輸入訓練好的神經網絡中，得到其在所有類別上的概率分布；

選擇概率值最大的類別作為其所屬類別。

8.一種圖像分類裝置，其特征在于，包括：

預處理模塊，用于采集輸入圖像數據進行預處理，并根據預處理后的數據構建圖像標簽；

神經網絡構建模塊，用于構建神經網絡，并設計損失函數；

神經網絡訓練模塊，用于將所述圖像標簽分為訓練集圖像和測試集圖像，并根據所述訓練集圖像訓練所述神經網絡；

分類測試模塊，用于利用所述測試集圖像對訓練后的所述神經網絡進行圖像分類測試。