[发明专利]图像分类方法、装置及系统

说明书

本发明提供了一种图像分类方法、装置及系统，涉及图像处理技术领域，该方法包括：获取待处理的目标图像；其中，目标图像中包含有待分类的目标对象；对目标图像进行特征初步提取，得到目标图像的初步特征；按照预设的掩码算法对初步特征进行至少一次掩码计算，并根据各次计算结果确定关键特征；其中，关键特征与目标对象的可判别部件相关；基于关键特征对目标对象进行分类识别，得到分类识别结果。本发明能够较好地提升图像分类的精确度。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种图像分类方法、装置及系统。

背景技术

伴随着深度学习(Deep Learning)的发展，计算机视觉在人工智能领域中逐渐扮演一个重要的角色。其中，目标识别任务虽然取得了较大进展，但仍然存在很多问题。

以细粒度分类(fine-grained recognition)任务为例，其主要是在类间方差大且类内方差小的数据分布中去精确识别物体类别的标签。具体而言，对图像进行细粒度分类的主要目的是区分同一物体大类下的物体子类，例如识别鸟的不同种类或车的不同车型等。通常情况下，类内差异远小于类间差异，因而用于识别类内差异的细粒度图像分类的难度远高于用于识别类间差异的传统图像分类，诸如，区分不同品种的猫的难度高于区分猫与狗的难度。现有的细粒度分类任务的识别准确度仍旧不佳，如何精确地识别物体类别还是现有的细粒度分类任务中亟需解决的主要问题。

发明内容

有鉴于此，本发明的目的在于提供一种图像分类方法、装置及系统，能够较为精确地识别图像中的物体类别，有助于提升细粒度分类任务的精确度。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种图像分类方法，包括：获取待处理的目标图像；其中，所述目标图像中包含有待分类的目标对象；对所述目标图像进行特征初步提取，得到所述目标图像的初步特征；按照预设的掩码算法对所述初步特征进行至少一次掩码计算，并根据各次计算结果确定关键特征；其中，所述关键特征与所述目标对象的可判别部件相关；基于所述关键特征对所述目标对象进行分类识别，得到分类识别结果。

进一步，所述对所述目标图像进行特征初步提取，得到所述目标图像的初步特征的步骤，包括：通过卷积神经网络对所述目标图像进行特征初步提取，得到所述目标图像的初步特征。

进一步，所述按照预设的掩码算法对所述初步特征进行至少一次掩码计算，并根据各次计算结果确定关键特征的步骤，包括：将所述初步特征输入至掩码注意力网络；其中，所述掩码注意力网络包括一个或多个运算网络层；通过所述掩码注意力网络中的各所述运算网络层按照预设的掩码算法对所述初步特征分别进行掩码计算，并根据各所述运算网络层的计算结果确定关键特征；其中，不同的所述运算网络层所确定的关键特征不同。

进一步，所述运算网络层包括第一运算网络层；所述掩码注意力网络包括L个依次连接的第一运算网络层；其中，L为预设的不小于1的自然数；所述通过所述掩码注意力网络中的各所述运算网络层按照预设的掩码算法对所述初步特征分别进行掩码计算的步骤，包括：通过第l个所述第一运算网络层对接收的初步特征进行第一注意力计算，得到所述初步特征中各特征块对应的第一注意力反馈值，并输出所述第一注意力反馈值最大的特征块；以及，对所述初步特征中的所述第一注意力反馈值最大的特征块进行掩码处理，并输出经掩码处理的初步特征；其中，l的值从1依次取至 L。

进一步，所述通过第l个所述第一运算网络层对接收的初步特征进行注意力计算，得到所述初步特征中各特征块对应的第一注意力反馈值的步骤，包括：通过第l个所述第一运算网络层按照以下公式进行第一注意力计算，得到接收的所述初步特征中各特征块对应的第一注意力反馈值：