[发明专利]一种细粒度图像分类方法、系统、装置和存储介质

权利要求书

1.一种细粒度图像分类方法，其特征在于，包括以下步骤：

获取待分类的图像信息；

将图像信息输入采用局部区域进行训练的识别模型进行细粒度识别后，输出识别分类结果。

2.根据权利要求1所述的一种细粒度图像分类方法，其特征在于，还包括建立识别模型的步骤，所述建立识别模型的步骤具体包括以下步骤：

获取输入图像，提取输入图像的图像局部区域；

对图像局部区域进行重叠区域检测，并对重叠的图像局部区域进行合并处理；

计算合并后的图像局部区域的图像复杂度，根据计算结果筛选多个图像局部区域；

按照预设的方式对筛选获得的图像局部区进行分组后，获得多个局部图像集；

结合输入图像、局部图像集和预设的损失函数对神经网络进行训练后，获得识别模型。

3.根据权利要求2所述的一种细粒度图像分类方法，其特征在于，所述提取输入图像的图像局部区域这一步骤，具体为：

采用选择性搜索算法提取输入图像的图像局部区域。

4.根据权利要求2所述的一种细粒度图像分类方法，其特征在于，所述对图像局部区域进行重叠区域检测，并对重叠的图像局部区域进行合并处理这一步骤，具体为：

采用交并比方式计算图像局部区域之间的重叠度，并在检测到重叠度大于预设值时，将对应的图像局部区域进行合并处理。

5.根据权利要求2所述的一种细粒度图像分类方法，其特征在于，所述计算合并后的图像局部区域的图像复杂度，根据计算结果筛选多个图像局部区域这一步骤，具体包括以下步骤：

采用图像熵算法计算合并后的图像局部区域的图像复杂度；

根据计算结果对图像局部区域进行排序，并根据排序顺序获取多个图像局部区域。

6.根据权利要求2所述的一种细粒度图像分类方法，其特征在于，所述结合输入图像、局部图像集和预设的损失函数对神经网络进行训练后，获得识别模型这一步骤，具体包括以下步骤：

将输入图像和局部图像集分别输入预设的神经网络中进行特征向量提取，获得多个特征向量；

将获得的特征向量进行拼接，并结合损失函数对神经网络进行训练后，获得识别模型。

7.根据权利要求6所述的一种细粒度图像分类方法，其特征在于，所述损失函数采用交叉熵损失函数。

8.一种细粒度图像分类系统，其特征在于，包括：

输入模块，用于获取待分类的图像信息；

识别分类模块，用于将图像信息输入采用局部区域进行训练的识别模型进行细粒度识别后，输出识别分类结果。

9.一种细粒度图像分类装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-7任一项所述的一种细粒度图像分类方法。

10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述方法。