[发明专利]一种细粒度图像分类方法、装置及存储介质

说明书

本申请实施例公开了一种细粒度图像分类方法、装置及存储介质，该方法包括：将目标图像输入到特征提取模型中，输出目标图像的第一图像特征；利用降维算法将第一图像特征从第一维度降低到第二维度，得到第二图像特征；将第二图像特征与特征数据库中的样本图像特征进行匹配，基于匹配结果确定满足匹配条件的M个样本图像特征所对应的M个子类别标签；基于投票机制从M个子类别标签中选取目标图像的目标子类别标签。这样，通过对图像特征进行降维处理可以减少后续特征匹配过程的运算量，利用投票机制选出的目标子类别标签具有很高的准确率，相比于引入其他复杂算法模型的现有技术运算量减少的同时，能够得到较优的细粒度图像分类结果。

技术领域

本申请涉及图像处理技术，尤其涉及一种细粒度图像分类方法、装置及存储介质。

背景技术

细粒度图像分类是对图像大类下的子类进行识别。细粒度图像分类相对通用图像分类的区别在于其图像所属类别的粒度更为精细。由于细粒度级别的信息对于理解物体细节更加重要，细粒度图像分类技术比传统图像分类具有更加广阔的应用前景。

目前的图像细粒度分类方法大致可以分为以下几个分支：基于现有分类网络的微调、基于细粒度特征学习的方法、基于目标块的检测与分类结合的方法以及基于视觉注意力机制的方法。基于现有分类网络微调的方法通常使用现有的分类网络(如：MobileNet，Xception等)在ImageNet上面进行初步训练得到一个训练好的分类模型，然后继续在细粒度的数据集上进行微调，使得模型能够更适用于区分子类别。基于细粒度特征学习的方法需要两个网络获取的信息结合，一个网络用来获取目标的位置信息，一个网络用于提取目标的抽象特征表达。基于目标检测与分类结合的细粒度分类方法借鉴了目标检测的思想，先通过目标检测模块将图像的目标区域框出来，然后基于目标区域进行细粒度分类，分类算法可以是传统的支持向量机(Support Vector Machine，SVM)分类器或者通用的分类网络。基于视觉注意力机制的细粒度分类算法相比于通用的分类算法添加了注意力机制使得模型更加关注目标位置的信息表达。

上述现有技术方案主要集中在当前通用模型与关注目标区域相结合的手段提高细粒度分类的效果，但算法模型较为复杂运算量大，细粒度分类效率较低。

发明内容

为解决上述技术问题，本申请实施例期望提供一种细粒度图像分类方法、装置及存储介质。

本申请的技术方案是这样实现的：

第一方面，提供了一种细粒度图像分类方法，该方法包括：

获取待分类的目标图像；

将所述目标图像输入到特征提取模型中，输出所述目标图像的第一图像特征；

利用降维算法将所述第一图像特征从第一维度降低到第二维度，得到第二图像特征；

将所述第二图像特征与特征数据库中的样本图像特征进行匹配，基于匹配结果确定满足匹配条件的M个样本图像特征所对应的M个子类别标签；其中，所述特征数据库中包含至少一类样本图像的样本图像特征和子类别标签；

基于投票机制从所述M个子类别标签中选取所述目标图像的目标子类别标签。

第二方面，提供了一种细粒度图像分类装置，该装置包括：

获取单元，用于获取待分类的目标图像；

特征提取单元，用于将所述目标图像输入到特征提取模型中，输出所述目标图像的第一图像特征；

降维单元，用于利用降维算法将所述第一图像特征从第一维度降低到第二维度，得到第二图像特征；

匹配单元，用于将所述第二图像特征与特征数据库中的样本图像特征进行匹配，基于匹配结果确定满足匹配条件的M个样本图像特征所对应的M个子类别标签；其中，所述特征数据库中包含至少一类样本图像的样本图像特征和子类别标签；