[发明专利]基于先验属性图谱的图像多分类方法、装置、设备及介质

权利要求书

1.一种基于先验属性图谱的图像多分类方法，其特征在于，包括：

根据粗特征提取网络和残差属性网络对原始图像进行多尺度特征提取，得到多尺度特征；

对所述多尺度特征中的低频特征图谱、高频特征图谱以及先验属性图谱进行特征融合，得到特征融合结果；

根据所述特征融合结果训练得到分类模型；

根据所述分类模型确定分类结果。

2.根据权利要求1所述的基于先验属性图谱的图像多分类方法，其特征在于，所述粗特征提取网络包括第一卷积层和第二卷积层；

所述根据粗特征提取网络和残差属性网络对原始图像进行多尺度特征提取，得到多尺度特征，包括：

根据所述第一卷积层和所述第二卷积层，对所述原始图像进行第一特征提取，得到低频粗糙特征；

其中，所述第一特征提取的表达式为：

F₀＝W₀₂(W₀₁(P))

其中，W₀₁是所述第一卷积层的权重；W₀₂是所述第二卷积层的权重；P代表原始图像；F₀代表提取到的低频粗糙特征。

3.根据权利要求2所述的基于先验属性图谱的图像多分类方法，其特征在于，所述根据粗特征提取网络和残差属性网络对原始图像进行多尺度特征提取，得到多尺度特征，还包括：

将所述低频粗糙特征输入多个残差属性模块，得到高频特征和先验属性图谱。

4.根据权利要求3所述的基于先验属性图谱的图像多分类方法，其特征在于，

所述先验属性图谱的计算公式为：

M_i＝σ(W_i3(δ(W_i2(AvgPool(δ(W_i1(F_i-1)))))))，

其中，σ表示Sigmoid函数，δ表示ReLU函数，W_ij表示第i个残差属性模块中的第j个卷积层通过模型训练学习到的权重，AvgPool表示池化计算，F_i-1为上一个残差属性模块计算得到的高频特征；

所述高频特征的计算公式为：

其中，δ表示ReLU函数，W_i1表示第i个残差属性模块中的第1个卷积层通过模型训练学习到的权重，F_i-1为上一个残差属性模块计算得到的高频特征，表示点乘运算，+表示按点位加法运算。

5.根据权利要求1所述的基于先验属性图谱的图像多分类方法，其特征在于，所述对所述多尺度特征中的低频特征图谱、高频特征图谱以及先验属性图谱进行特征融合，得到特征融合结果，包括：

将所述多尺度特征输入concat层和卷积层进行特征重塑，所述卷积层用于对特征的通道数进行降低。

6.根据权利要求5所述的基于先验属性图谱的图像多分类方法，其特征在于，所述特征重塑的计算公式：

其中，F_c为重塑后的特征；Concat表示Concat层所进行的计算；F_r为最后一个残差属性模块输出的高频特征；M_i为第i个残差属性模块生成的属性图谱，W_r为重塑卷积层经过模型训练学习得到的权重。

7.根据权利要求6所述的基于先验属性图谱的图像多分类方法，其特征在于，所述根据所述分类模型确定分类结果，包括：

通过两个全连接层计算得到多维张量，确定分类结果；

其中，所述分类结果的计算过程的表达式为：

Y＝W_fc1(W_fc2(F_c))

Y代表分类结果；W_fc1和W_fc2分别表示第1、2个全连接层通过模型训练得到的权重参数；F_c为重塑后的特征。