[发明专利]增强图像分类模型噪声鲁棒性的方法和装置

说明书

本发明提供了一种增强图像分类模型噪声鲁棒性的方法和装置。其中，增强图像分类模型噪声鲁棒性的方法包括：获取原图步骤，获取原图；获取噪声图步骤，获取在原图基础上带有噪声的噪声图；特征提取步骤，通过图像分类模型，对原图和噪声图进行特征提取，得到原图特征和噪声图特征；损失计算步骤，基于原图特征和噪声图特征，计算原图特征和噪声图特征之间的噪声距离，并计算鲁棒性损失；约束步骤，基于鲁棒性损失，约束原图特征与噪声图特征之间的噪声距离。通过噪声图计算鲁棒性损失，并约束原图和带噪声图特征之间的距离，能够高效的有效增强图像分类模型对噪声的鲁棒性，从而提高图像分类模型的准确性。

技术领域

本发明一般地涉及图像分类领域，特别是涉及增强图像分类模型噪声鲁棒性的方法和装置。

背景技术

图像分类(Image classification)是计算机视觉中一项非常重要的研究课题，随着深度学习的快速发展，基于卷积神经网络(CNN，convolution neural networks)的图像分类方法取得了很好的效果。

但是在图像的获取、传输过程中会有诸多因素对图像带来干扰，使得图像产生噪声(Noise)、质量降低等现象。传统的图像分类模型对于噪声非常敏感，例如一个猫的分类网络对于是否添加噪声的猫的图像可以得出两个完全相反的分类结果。由于噪声的存在，导致基于卷积神经网络的图像分类结果的准确性很低。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种增强图像分类模型噪声鲁棒性的方法和装置。

第一方面，本发明提供了一种增强图像分类模型噪声鲁棒性的方法，其中，包括：获取原图步骤，获取原图；获取噪声图步骤，获取在原图基础上带有噪声的噪声图；特征提取步骤，通过图像分类模型，对原图和噪声图进行特征提取，得到原图特征和噪声图特征；损失计算步骤，基于原图特征和噪声图特征，计算原图特征和噪声图特征之间的噪声距离，并计算鲁棒性损失；约束步骤，基于鲁棒性损失，约束原图特征与噪声图特征之间的噪声距离，得到训练后的图像分类模型。

在一例中，获取噪声图步骤还包括，通过对原图进行图像变化，得到噪声图。

在一例中，图像变化采用平移、旋转、缩放、仿射变换、高斯模糊、运动模糊、椒盐噪声中的一种或多种方式。

在一例中，损失计算步骤包括，基于原图特征和噪声图特征之间的噪声距离，选取与原图特征之间的噪声距离大于预设值的噪声图特征作为样本特征、或通过排序选取与原图特征之间的噪声距离最远的一个或多个噪声图特征作为样本特征，并基于样本特征计算鲁棒性损失。

在一例中，损失计算步骤还包括，根据曼哈顿距离、欧式距离、相对熵或交叉熵计算噪声距离。

在一例中，损失计算步骤还包括，基于原图特征和标准特征之间的标准距离，计算分类损失；约束步骤还包括，基于分类损失，约束原图特征与标准特征之间的标准距离。

第二方面，本发明提供了一种图像分类方法，包括图像获取步骤，获取待测图像；图像分类步骤，通过图像分类模型对待测图像进行分类，图像分类模型经过如第一方面的增强图像分类模型噪声鲁棒性的方法训练。

第三方面，本发明提供了一种增强图像分类模型噪声鲁棒性的装置，包括：获取原图模块，用于获取原图；获取噪声图模块，用于获取在原图基础上带有噪声的噪声图；特征提取模块，用于通过图像分类模型，对原图和噪声图进行特征提取，得到原图特征和噪声图特征；损失计算模块，用于基于原图特征和噪声图特征，计算原图特征和噪声图特征之间的噪声距离，并计算鲁棒性损失；约束模块，用于基于鲁棒性损失，约束原图特征与噪声图特征之间的噪声距离，得到训练后的图像分类模型。

第四方面，本发明提供了一种图像分类装置，包括图像获取模块，用于获取待测图像；图像分类模块，用于通过图像分类模型对待测图像进行分类，图像分类模型经过如第一方面的增强图像分类模型噪声鲁棒性的方法训练。