[发明专利]图像分类过程的优化方法、图像分类方法、装置及系统

权利要求书

1.一种基于神经网络的图像分类过程的优化方法，其特征在于，提供有包括图像样本的样本集，所述图像样本被划分为第一类别和第二类别；所述第一类别和所述第二类别中包括的图像样本不同；所述方法包括：

生成所述样本集中的图像样本的表征向量；所述表征向量用于表示对应的图像样本；

基于所述表征向量输出对应图像样本相应于所述第一类别和所述第二类别的评价信息；所述评价信息用于表示所述表征向量对应的图像样本被划分至所述第一类别和所述第二类别的可能性；

在属于所述第一类别的图像样本对应的表征向量中选择一个表征向量作为基准表征向量，计算所述基准表征向量与所述第一类别中其它图像样本的表征向量之间的第一差异值；以及计算所述基准表征向量与所述第二类别中图像样本的表征向量之间的第二差异值；

根据所述第一差异值和所述第二差异值的差值，生成第一反馈值；

根据所述图像样本在所述样本集中隶属的类别以及所述评价信息得到第二反馈值；

使用所述第一反馈值和所述第二反馈值执行优化矫正过程；所述优化矫正过程指对神经网络中各个神经元对应的权重进行修正，以使得根据修正后的权重进行数据传递时得到的分类结果与真实结果差距更小。

2.根据权利要求1所述的方法，其特征在于，所述样本集中的图像样本根据所展示的内容进行类别划分。

3.根据权利要求1所述的方法，其特征在于，所述评价信息包括相应于所述第一类别的第一评价值以及相应于所述第二类别的第二评价值；其中，所述第一评价值和所述第二评价值分别表示图像样本属于所述第一类别和所述第二类别的可能性。

4.根据权利要求3所述的方法，其特征在于，所述第一评价值和所述第二评价值的和为1。

5.根据权利要求1所述的方法，其特征在于，生成所述样本集中的图像样本的表征向量包括：

获取由所述图像样本中各个像素点的像素值构成的像素值向量，并对所述像素值向量进行降维处理，以得到所述图像样本的表征向量。

6.根据权利要求5所述的方法，其特征在于，所述降维处理包括：

通过至少一个卷积核对所述图像样本进行局部卷积，以得到与各个所述卷积核相对应的局部特征，并对各个所述局部特征进行下采样。

7.根据权利要求1所述的方法，其特征在于，所述第一差异值根据下述方式确定：

计算所述基准表征向量与所述第一类别中各个其它图像样本的表征向量之间的差异值；

将计算的各个差异值中的最大值作为所述第一差异值或者将计算的各个差异值的平均值作为所述第一差异值。

8.根据权利要求1所述的方法，其特征在于，所述第二差异值根据下述方式确定：

计算所述基准表征向量与所述第二类别中各个图像样本的表征向量之间的差异值；

将计算的各个差异值中的最小值作为所述第二差异值或者将计算的各个差异值的平均值作为所述第二差异值。

9.根据权利要求1所述的方法，其特征在于，根据所述第一差异值和所述第二差异值的差值，生成第一反馈值包括：

计算所述第一差异值和所述第二差异值之间的差值，并计算所述差值与指定常数的和；

当所述和小于或者等于零时，将零作为所述第一反馈值；当所述和大于零时，将所述和作为所述第一反馈值。

10.根据权利要求1所述的方法，其特征在于，所述第二反馈值按照下述方式确定：

根据所述表征向量表示的图像样本在所述样本集中隶属的类别，确定所述图像样本对应的标准分类信息；

将所述标准分类信息与所述评价信息之间的差异值作为所述第二反馈值。