[發明專利]一種基于自編碼器的圖像標簽方法

在審

• 申請號: 202211038093.8
• 申請日: 2022-08-26
• 公開（公告）號: CN115512127A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 夏為
• 申請（專利權）人: 深圳市華誠設計開發有限公司
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 深圳中恒科專利代理有限公司 44808
• 代理人: 王麗

本發明的一種基于自編碼器的圖像標簽方法，屬于圖像標簽技術領域，包括樣本圖像，所述樣本圖像中包含有大量不同種類特征的圖像，將所述樣本圖像輸入自動編碼器，所述自動編碼器對每一所述樣本圖像按照其特征分類到同一個一級分類中，同一個一級分類中的樣本圖像再按照其特征分在同一個二級分類中，其中同一個樣本圖像可能會同時被分類到不同的一家分類或二級分類中，所述自編碼器通過每個分類得到相應的標簽，對所述自編碼器輸入待添加標簽圖像。本發明的有益效果是帶有自定義標簽的圖像在識別的過程中，自定義標簽不會被新確定的標簽替換掉，根據圖像類型適應性調整圖像分類方式的目的，靈活性強且能夠提升標簽預測結果的準確性。

技術領域

本發明涉及圖像標簽領域，具體講是一種基于自編碼器的圖像標簽方法。

背景技術

自編碼器使得一類板監督學習和非監督學習中使用的日人工神經網絡，其功能是通過將輸入信息作為學習目標，對輸出學習進行表征學習，自編碼器包含編碼器和解碼器兩個部分，安學習范圍自編碼器可以被分為收縮自編碼器、正則自編碼器和變分自編碼器，其中強兩者是判別模型，后者是生成模型，自編碼器可以使前饋結構或遞歸結構的神經網絡，自編碼其具有一般意義上的表征學習算法的功能，被應用于降維和異常值檢測，包含卷積層構筑的自編碼器可被應用于計算機視覺問題，包括圖像降噪、神經風格遷移等。

所涉互聯網的飛速發展，圖像識別技術也被廣泛的應用到我們身邊的諸多場景中，通過圖像識別結束對圖像進行識別，并且通過識別后的結果對圖像添加標簽，用以表達圖像的特征內容，使得使用者可以使用圖像搜索到圖像內容相關的東西，比如用一張含有魚的圖像通過掃描后可被添加“魚”、“草魚”、“四大家魚之一”等標簽，然而現有技術在對圖像進行識別的時候如果帶有自定義標簽會被新確定出來的標簽頂替，并且真實的使用場景下，很多圖像并不需要過多的標簽，過多的表現反而會給用戶在成困擾，并且過多的標簽需要的運算能力更強，所占用的計算資源更多，運算時間更久，反而會降低效率。

以上現有技術具有以下問題：

(1)帶有自定義標簽的圖像在識別的過程中，自定義標簽會被新確定的標簽替換掉；

(2)現有算法在為很多不需要過多標簽數量的圖像添加標簽時，會過多的添加標簽，使得占用過多的計算資源，運算時間過程，并且給用戶造成不便。

發明內容

本發明的目的在于提供一種基于自編碼器的圖像標簽方法，以解決上述背景技術中提出的問題。

本發明的技術方案是：包括樣本圖像，所述樣本圖像中包含有大量不同種類特征的圖像，將所述樣本圖像輸入自動編碼器，所述自動編碼器對每一所述樣本圖像按照其特征分類到同一個一級分類中，同一個一級分類中的樣本圖像再按照其特征分在同一個二級分類中，其中同一個樣本圖像可能會同時被分類到不同的一家分類或二級分類中，所述自編碼器通過每個分類得到相應的標簽，對所述自編碼器輸入待添加標簽圖像，所述圖像被自編碼器降維處理，得到該圖像的特征圖，所述特征圖與每一個分類都有對應的特征向量，所述分類下的每個特征特征向量都包含有多個點，每個所述點與所對應分類之間都有一個概率值，根據概率值將概率值最高的前N個標簽確定為該圖像的待添加標簽，其中N可以為不小于1的預設值，判斷所述圖像是否存在自定義標簽，如果所述圖像中存在自定義標簽，所述待添加標簽中存在自定義標簽，則，保留所述自定義標簽，將所述圖像當前待添加標簽中所述自定義標簽之外的其它標簽更新為本次所述圖像的待添加圖像標簽，所述待添加標簽圖像最終對應的待添加標簽數量為A，所述A的數值為不小于1的預設數值，所述待添加標簽的數量+自定義標簽的數量＝A，當所述待添加標簽的數量+自定義標簽的數量大于A時，在所述待添加標簽中從概率銷較小的標簽開始刪減直至待添加標簽的數量+自定義標簽的數量＝A。

進一步的，所述自編碼器在對樣本圖像進行分類前，所述方法還包括，針對各個分類建立所對應的樣本圖像；初始化圖像標簽分類模型；對自編碼器進行基于各分類中的樣本圖像所對應的標簽的分類訓練。