[发明专利]一种细粒度图像分类方法、装置及电子设备

说明书

本申请提供一种细粒度图像分类方法、装置及电子设备，该方法包括：提取目标图像的图像特征，并将所述图像特征处理为对应于不同方向的向量序列；确定各个向量序列的部位特征序列；确定所述图像特征的全局特征；依据所述部位特征序列和所述全局特征对所述目标图像进行分类。本申请通过隐式部位检测的方式，减少了网络规模和图像分类的计算负荷，消除了相关技术的缺陷，且通过全局特征和部位特征的融合，提高了细粒度图像分类的准确性。

技术领域

本申请涉及图像处理技术领域，特别涉及一种细粒度图像分类方法、装置及电子设备。

背景技术

细粒度图像分类(fine-grained image classification)是机器视觉领域中的一个重要问题，广泛应用于图像精准检索、交通安防等场景。相比通用图像分类(general/generic images classification)，细粒度图像分类区分的图像所属类别的粒度更为精细。比如：通用图像分类会将“猫”和“狗”的图片区分开，而细粒度图像分类可将“萨摩耶”和“阿拉斯加”区分开。

由于细粒度图像分类的要求较高，相比通用图像分类而言，需克服两大技术难点：一是分类类别之间相似度极高的情况下，如何区分；二是图像中的物体(需区分的对象)因拍摄角度、环境和物体本身姿势的影响，属于同一类别的物体之间可能存在角度差异。

发明内容

有鉴于此，本申请提供一种细粒度图像分类方法、装置及电子设备，用以实现对图像的细粒度分类。

具体地，本申请是通过如下技术方案实现的：

一种细粒度图像分类方法，包括：

提取目标图像的图像特征，并将所述图像特征处理为对应于不同方向的向量序列；

确定各个向量序列的部位特征序列；

确定所述图像特征的全局特征；

依据所述部位特征序列和所述全局特征对所述目标图像进行分类。

在所述细粒度图像分类方法中，所述依据所述部位特征序列和所述全局特征对所述目标图像进行分类，包括：

将所述部位特征序列和所述全局特征进行融合，得到融合后的特征；

依据融合后的特征对所述目标图像进行分类。

在所述细粒度图像分类方法中，所述将所述图像特征处理为对应于不同方向的向量序列，包括：

基于预设的第一图像处理核和第一步长，从所述图像特征的一端开始沿着横向对所述图像特征进行图像处理，得到横向向量序列；

基于预设的第二图像处理核和第二步长，从所述图像特征的一端开始沿着纵向对所述图像特征进行图像处理，得到纵向向量序列。

在所述细粒度图像分类方法中，

所述第一图像处理核为卷积核，所述卷积核与所述图像特征等高；或者，

所述第一图像处理核为池化核，所述池化核与所述图像特征等高。

在所述细粒度图像分类方法中，

所述第二图像处理核为卷积核，所述卷积核与所述图像特征等宽；或者，所述第二图像处理核为池化核，所述池化核与所述图像特征等宽。

在所述细粒度图像分类方法中，所述确定各个向量序列的部位特征序列，包括：

针对每一向量序列，计算该向量序列中每一向量的L2范数，依据各向量的L2范数从该向量序列中选择满足指定条件的向量；或者，针对每一向量序列，将该向量序列中的每一向量与预设的权值卷积核相乘得到卷积乘积，依据各向量的卷积乘积从该向量序列中选择满足指定条件的向量；