[发明专利]一种在智能设备中对图片进行分类的方法和系统

权利要求书

1.一种在智能设备中对图片进行分类的方法，其特征在于，所述方法包括：

将待分类的图片输入训练好的卷积神经网络，得到所述图片属于预设的各图片类别的各概率值；

根据所述各概率值，确定所述图片所属的至少一图片类别；

其中，所述卷积神经网络包括多个卷积层、至少一下采样层和一分类器层，所述多个卷积层包括至少一多尺度窗口卷积层；

所述至少一多尺度窗口卷积层中的每一个用两个以上尺度的卷积核对上一层输出的特征图分别进行卷积操作，并将卷积出来的两个以上特征图叠在一起作为输出特征图；

所述分类器层，用于基于在所述图片经过所述多个卷积层和所述至少一下采样层的操作后得到的特征确定所述各概率值。

2.根据权利要求1所述的方法，其特征在于，所述多个卷积层还包括至少一单一尺度窗口卷积层；

其中所述至少一单一尺度窗口卷积层包括第一卷积层，位于所述卷积神经网络的第一层，用于对所述图片进行卷积操作并输出特征图。

3.根据权利要求1所述的方法，其特征在于，所述至少一下采样层包括至少一中间采样层，其中，所述至少一中间采样层中的每一个位于所述多个卷积层中的两层卷积层之间。

4.根据权利要求3所述的方法，其特征在于，所述至少一下采样层还包括位于所述多个卷积层之后的最后下采样层，用于对上一层输出的每个特征图取平均值作为整个卷积神经网络最终提取的特征。

5.根据权利要求1所述的方法，其特征在于，所述两个以上尺度的卷积核的尺度包括以下的至少两个：

1×1、3×3、5×5、7×7和9×9。

6.根据权利要求5所述的方法，其特征在于，在所述两个以上尺度的卷积核中，根据最小尺度的卷积核所对应的特征图的尺寸，对所述最小尺度的卷积核以外的其它卷积核所对应的特征图的四周边缘做填充值为0的填充操作，使得所述两个以上特征图的大小一致。

7.根据权利要求1所述的方法，其特征在于，所述分类器层包括Sigmoid分类器并使用交叉熵作为损失函数。

8.根据权利要求1所述的方法，其特征在于，在每一卷积层卷积操作之后均包括：

对卷积层输出的特征图进行Batch归一化处理；及

对归一化的特征图用ReLu激活函数对神经元进行激活。

9.一种在智能设备中对图片进行分类的系统，其特征在于，所述系统包括：

图片输入及概率值确定模块，用于将待分类的图片输入训练好的卷积神经网络，得到所述图片属于预设的各图片类别的各概率值；

分类模块，用于根据所述各概率值，确定所述图片所属的至少一图片类别；

其中，所述卷积神经网络包括多个卷积层、至少一下采样层和一分类器层，所述多个卷积层包括至少一多尺度窗口卷积层；

所述至少一多尺度窗口卷积层中的每一个用两个以上尺度的卷积核对上一层输出的特征图分别进行卷积操作，并将卷积出来的两个以上特征图叠在一起作为输出特征图；

所述分类器层，用于基于在所述图片经过所述多个卷积层和所述至少一下采样层的操作后得到的特征确定所述各概率值。

10.根据权利要求9所述的系统，其特征在于，所述多个卷积层还包括至少一单一尺度窗口卷积层；

其中所述至少一单一尺度窗口卷积层包括第一卷积层，位于所述卷积神经网络的第一层，用于对所述图片进行卷积操作并输出特征图。