[發明專利]圖像分類方法、裝置、設備及介質

在審

• 申請號: 202210505222.3
• 申請日: 2022-05-10
• 公開（公告）號: CN114821185A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 舒暢;陳又新
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/80;G06N3/04;G06N3/08;G06K9/62;G06F17/18;G06F30/27;G06F111/04
• 代理公司: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

本發明涉及人工智能技術領域，提供了一種圖像分類方法、裝置、設備及介質。該方法包括：利用訓練數據集訓練卷積神經模型，生成增量學習分類模型；將待測圖像輸入所述增量學習分類模型的特征提取器進行特征提取，輸出所述待測圖像的特征維度；獲取所述特征提取器的每層卷積層的輸出，將每層所述卷積層的輸出與所述特征維度進行聚合計算，得到所述待測圖像的特征嵌入；將所述特征嵌入輸入所述增量學習分類模型的分類器進行分類，輸出所述待測圖像的類別結果。本發明還涉及區塊鏈技術領域，上述特征維度、特征嵌入還可以存儲于一區塊鏈的節點中。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種圖像分類方法、裝置、設備及介質。

背景技術

隨著深度神經網絡的興起，增量學習已應用在綜多領域，例如，在圖像分類、目標檢測、語義分割等任務中。在增量學習的過程主要是如何克服深度學習模型在新任務上學習新知識進行訓練的同時，模型對舊知識(舊任務)被遺忘或覆蓋的問題。

目前主流的增量學習策略，例如，基于回放的增量學習方法、基于約束的增量學習方法及基于參數隔離的增量學習方法，雖然上述的方法能夠較好地完成圖像分類的任務，但是對于小數量新任務難以進行分類學習，由于每個任務所需學習的新分類數量少造成訓練樣本少和任務學習時間較長，對于小數量任務分類學習任務的表現效果較差。

發明內容

鑒于以上內容，本發明提供一種圖像分類方法、裝置、設備及介質，其目的在于解決現有技術中對小數量新任務難以進行圖像分類學習的技術問題。

為實現上述目的，本發明提供一種圖像分類方法，該方法包括：

利用訓練數據集訓練卷積神經模型，生成增量學習分類模型；

將待測圖像輸入所述增量學習分類模型的特征提取器進行特征提取，輸出所述待測圖像的特征維度；

獲取所述特征提取器的每層卷積層的輸出，將每層所述卷積層的輸出與所述特征維度進行聚合計算，得到所述待測圖像的特征嵌入；

將所述特征嵌入輸入所述增量學習分類模型的分類器進行分類，輸出所述待測圖像的類別結果。

優選的，所述利用訓練數據集訓練卷積神經模型，生成增量學習分類模型，包括：

讀取第一訓練數據及第二訓練數據，作為所述訓練數據集；

將所述訓練數據集輸入所述卷積神經模型訓練特征提取器和分類器，以生成所述增量學習分類模型。

優選的，所述將待測圖像輸入所述增量學習分類模型的特征提取器進行特征提取，輸出所述待測圖像的特征維度，包括：

將所述待測圖像輸入所述特征提取器的輸入層，輸入所述待測圖像的特征圖；

將所述特征圖輸入所述特征提取器的卷積層進行特征信息提取后，通過所述特征提取器的全連接層進行特征比對，輸出所述待測圖像的特征維度。

優選的，所述特征提取器包括兩層以上的卷積層，所述獲取所述特征提取器的每層卷積層的輸出，將每層所述卷積層的輸出與所述特征維度進行聚合計算，得到所述待測圖像的特征嵌入，包括：

將每層所述卷積層的輸出進行池化操作后，根據預設空間維度計算公式，對所述待測分類圖像的預設位置的特征進行聚合，以將所述待測分類圖像的特征維度轉換成空間維度的向量；

對所述特征提取器最后一層卷積層的輸出進行約束，得到所述待測分類圖像的平面約束參數；

將所述空間維度的向量和所述平面約束參數進行聚合，得到所述待測圖像的特征嵌入。

優選的，所述預設空間維度計算公式，包括：