[发明专利]一种图像分类方法、装置、设备及介质

权利要求书

1.一种图像分类方法，其特征在于，包括：

采集输入图像数据进行预处理，并根据预处理后的数据构建图像标签；

构建神经网络，并设计损失函数；

将所述图像标签分为训练集图像和测试集图像，并根据所述训练集图像训练所述神经网络；

利用所述测试集图像对训练后的所述神经网络进行图像分类测试。

2.根据权利要求1所述的方法，其特征在于，所述根据预处理后的数据构建图像标签，具体包括：

将所述图像数据中的类别属性相似的分为同一组；

根据所述图像数据原始的独热标签类别相似度，设置组内和组外类别标签；

对数据集中的类别，根据类别相似度，分成N个大组，每个子类归属到一个大组；其中，N为正整数；

对每一张训练图像，构建其对应的标签y。

3.根据权利要求2所述的方法，其特征在于，所述构建其对应的标签y具体包括：

将其原始的独热标签进行组外平滑，使得其他组的类别分量为ε₁/K，K为数据集所有类别的数量；

将组内其他类别的标签分量设置成ε₂/K，其中，ε₂＞ε₁，ε₂和ε₁为预设参数；

图像所属子类别对应的标签分量为1-ε₁/K×K₁-ε₂/K×K₂；

其中，K₁是组外其他类别的类别总数，K₂是组内其他类别的类别总数。

4.根据权利要求1所述的方法，其特征在于，所述预先设计好的损失函数具体为：

loss(y，z)＝-∑_iy_ilog(z_i)+∑_nλ||Z_n||_1，2，其中，y_i表示图像数据的真实标签在第i类的概率；

z_i是第i类的预测概率值；

λ为组稀疏约束的权重，n表示所属组之外的其他大组的下标，k表示遍历第n组的所有类别概率分量；

i为自然数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述训练集图像训练所述神经网络，具体包括：

利用随机梯度下降法对所述训练集图像进行训练，得到所述神经网络。

6.根据权利要求5所述的方法，其特征在于，所述利用随机梯度下降法对所述训练集图像进行训练，得到所述神经网络具体包括：

根据所述训练集图像的数量以及预训练模型，设置网络训练的超参数；

对神经网络的预测概率利用所述损失函数计算损失值；

利用随机梯度下降法对网络参数进行更新，使得网络损失值逐步收敛；

其中，所述超参数包括图像的批大小、初始学习率和/或学习率动量。

7.根据权利要求1所述的方法，其特征在于，所述利用所述测试集图像对训练后的所述神经网络进行图像分类测试具体包括：

选择一张测试集图像中的图像数据，将其输入训练好的神经网络中，得到其在所有类别上的概率分布；

选择概率值最大的类别作为其所属类别。

8.一种图像分类装置，其特征在于，包括：

预处理模块，用于采集输入图像数据进行预处理，并根据预处理后的数据构建图像标签；

神经网络构建模块，用于构建神经网络，并设计损失函数；

神经网络训练模块，用于将所述图像标签分为训练集图像和测试集图像，并根据所述训练集图像训练所述神经网络；

分类测试模块，用于利用所述测试集图像对训练后的所述神经网络进行图像分类测试。