[发明专利]基于神经网络的图像分类方法、装置、设备及介质

权利要求书

1.一种基于神经网络的图像分类方法，其特征在于，包括：

获取样本图像；

对所述样本图像进行显著性映射，得到特征图像；

将特征图像进行归一化处理，得到所述特征图像的初始分类结果；

将初始分类结果输入到训练好的神经网络分类模型中，得到所述初始分类结果的分类评分；

当使所述分类评分大于预设值时，则将所述初始分类结果作为最终分类结果输出。

2.如权利要求1所述的基于神经网络的图像分类方法，其特征在于，所述对所述样本图像进行显著性映射，得到特征图像的步骤包括：

获取所述样本图像与图像类型对应的特征映射；

根据所述特征映射，并基于积分梯度算法生成显著性映射关系；

根据所述显著性映射关系对所述样本图像进行显著性映射，得到特征图像。

3.如权利要求2所述的基于神经网络的图像分类方法，其特征在于，所述特征映射为：

Z∈i^D×H×W；

其中，Z为图像的特征映射，i为图像中的元素，D为神经元的个数；H为图像高度方向上像素的个数；W为图像宽度方向上像素的个数。

4.如权利要求3所述的基于神经网络的图像分类方法，其特征在于，所述显著性映射关系为：

其中，x为输入图像，为基准图像，α为积分变量；取值范围为[0,1]，Z为图像的特征映射，f为非线性映射函数。

5.如权利要求4所述的基于神经网络的图像分类方法，，其特征在于，所述将特征图像进行归一化处理，得到所述特征图像的初始分类结果的步骤包括：

基于聚合函数将所述显著性映射沿所述特征图像的通道维数进行聚合，得到聚合图像；

将所述聚合图像归一化处理，得到所述初始分类结果；；

其中，所述聚合函数为：

β＝║s0，s║。

6.如权利要求5所述的基于神经网络的图像分类方法，，其特征在于，所述将初始分类结果输入到训练好的神经网络分类模型中，得到所述初始分类结果的分类评分的步骤包括：

基于蒙特卡洛采样法计算所述初始分类结果的分类评分，其计算公式为：

其中，r为空间激活值，r＝Z_D，i，j，i为图像中的元素，j为图像中的元素，D为神经元的个数；s∪d为每次迭代中随机选择的神经元子集中包含神经元d的集合；s为每次迭代中随机选择的神经元子集中不包含神经元d的集合；M为蒙特卡洛采样运算符，r_b*为初始分类结果对应的分类类型的空间激活值，r_ε为其他分类类型的空间激活值。

7.如权利要求1所述的基于神经网络的图像分类方法，，其特征在于，所述神经网络分类模型的训练步骤，包括：

获取训练图像；

对所述训练图像进行显著性映射，得到特征训练区域图像和非特征训练区域图像；

提取所述特征训练区域图像第一高维特征和所述非特征训练区域图像的高维特征第二高维特征；

将所述第一高维特征和所述第二高维特征输入到神经网络分类初始模型中进行训练，直到所述神经网络分类初始模型的卷积神经网络收敛，得到所述神经网络分类模型。

8.一种基于神经网络的图像分类装置，其特征在于，包括：

样本图像获取模块，用于获取样本图像；

特征图像获取模块，用于对所述样本图像进行显著性映射，得到特征图像；

初始分类模块，用于将特征图像进行归一化处理，得到所述特征图像的初始分类结果；

分类评分获取模块，用于将初始分类结果输入到训练好的神经网络分类模型中，得到所述初始分类结果的分类评分；

结果输出模块，用于当使所述分类评分大于预设值时，则将所述初始分类结果作为最终分类结果输出。