[发明专利]图像分类方法、装置、设备及存储介质

说明书

本申请提出一种图像分类方法、装置、设备及存储介质，该方法包括：获取训练集，训练集包括原始样本图像对应的全局特征图和从原始样本图像中截取的目标对象图，目标对象图中标注有目标对象所属的类别标签；构建用于对目标对象进行分类的网络模型结构；根据训练集对网络模型结构进行训练，得到训练好的目标分类模型。本申请从原始样本图像中截取出目标对象图，将目标对象图和全局特征图共同作为训练样本。后续模型提取目标对象图的特征，对目标对象的整体特征感受野更佳，使模型对目标对象图的学习更精确。在对目标对象图学习的基础上结合全局特征图，既提高学习目标对象的精确程度，又不会丧失全局特征，能显著提高对目标对象进行细分类的准确性。

技术领域

本申请属于图像处理技术领域，具体涉及一种图像分类方法、装置、设备及存储介质。

背景技术

目前，网络中存在大量的图像，在很多领域需要对图像中的目标对象进行分类。例如，对图像中的人物按照职业进行分类，对图像中的美食按照制作原材料进行分类，对图像中的建筑按照建造风格进行分类，等等。

相关技术中提出了一种基于深度学习的目标检测开源模型，可以检测出图像中是否包含目标对象，但无法对目标对象进行细分类。可以重新进行数据标注，对不同的目标对象予以区分。但在不同类别的目标对象的相似性很高时，模型提取的特征受图像感受野的影响，导致细分类的准确度不高。

发明内容

本申请提出一种图像分类方法、装置、设备及存储介质，从原始样本图像中截取出目标对象图，将目标对象图和全局特征图共同作为训练样本。后续模型提取目标对象图的特征，对目标对象的整体特征感受野更佳，使模型对目标对象图的学习更精确。在对目标对象图学习的基础上结合全局特征图，既提高学习目标对象的精确程度，又不会丧失全局特征，能显著提高对目标对象进行细分类的准确性。

本申请第一方面实施例提出了图像分类方法，包括：

获取训练集，所述训练集包括原始样本图像对应的全局特征图和从所述原始样本图像中截取的目标对象图，所述目标对象图中标注有目标对象所属的类别标签；

构建用于对所述目标对象进行分类的网络模型结构；

根据所述训练集对所述网络模型结构进行训练，得到训练好的目标分类模型。

在本申请的一些实施例中，所述获取训练集，包括：

获取原始样本图像；

通过预设目标检测模型，检测所述原始样本图像中是否包含目标对象；

若确定包含所述目标对象，则从所述原始样本图像中截取出对应的目标对象图，在所述目标对象图中标注所述目标对象所属的类别标签。

在本申请的一些实施例中，所述获取训练集，包括：

确定包含所述目标对象后，记录所述预设目标检测模型检测过程中获得的所述原始样本图像对应的全局特征图；

将所述全局特征图和标注后的所述目标对象图组成训练集中的一组样本数据。

在本申请的一些实施例中，所述构建用于对所述目标对象进行分类的网络模型结构，包括：

基于预设分类模型，构建目标特征处理分支；

将第一卷积层和第二卷积层连接，得到全局特征处理分支；

将所述目标特征处理分支和所述全局特征处理分支均与拼接层连接；

将所述拼接层与池化层和全连接层依次连接，得到用于对所述目标对象进行分类的网络模型结构。

在本申请的一些实施例中，所述根据所述训练集对所述网络模型结构进行训练，包括：

从所述训练集中获取目标对象图及其对应的全局特征图；