[发明专利]图像分类方法和装置

权利要求书

1.一种图像分类方法，其特征在于，所述方法包括：

接收目标图像；

基于预先训练的多层贝叶斯网络，对所述目标图像进行处理，得到所述目标图像对应的概率集合，其中，所述预先训练的多层贝叶斯网络中的每个节点分别对应一个WTA(Winner Take All，胜者为王)网络，所述多层贝叶斯网络的神经元为所述多层贝叶斯网络中的WTA网络包括的神经元，所述多层贝叶斯网络中的动态发放函数是基于平均场分布公式建立的，所述概率集合包括所述预先训练的多层贝叶斯网络的输出层中每个神经元的发放脉冲的概率；

根据所述目标图像对应的概率集合中最大的概率，确定所述目标图像所属的类别。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像对应的概率集合中最大的概率，确定所述目标图像所属的类别，包括：

在所述输出层的神经元中确定目标神经元，其中，所述目标神经元的发放脉冲的概率是所述概率集合中最大的概率；

基于预设的输出层的神经元与类别的对应关系，确定所述目标神经元对应的目标类别为所述目标图像所属的类别。

3.根据权利要求1所述的方法，其特征在于，在所述动态发放函数中，任一神经元的膜电位，是根据所述任一神经元所属的WTA网络的所有子WTA网络中的所有神经元输出的电流，以及所述任一神经元所属的WTA网络的父WTA网络中的所有神经元输出的电流确定的，其中，任一WTA网络的父WTA网络对应的节点是所述任一WTA网络对应的节点的父节点，任一WTA网络的子WTA网络对应的节点是所述任一WTA网络对应的节点的子节点。

4.根据权利要求1所述的方法，其特征在于，在接收携带有目标图像的分类请求之前，所述方法还包括：

根据多种预设类别的样本图像和突触学习函数，对所述待训练的多层贝叶斯网络进行训练，得到所述预先训练的多层贝叶斯网络，其中，所述突触学习函数是基于所述平均场分布公式建立的，且建立的条件为任一神经元的发放脉冲的概率不受其他神经元的发放脉冲的概率影响。

5.根据权利要求4所述的方法，其特征在于，在所述突触学习函数中，连接第一神经元和第二神经元的突触的调整值，是基于所述第二神经元发放脉冲的时刻，以及所述第一神经元发放脉冲的时刻确定的，其中，所述第二神经元为所述第一神经元的所属的WTA网络的父WTA网络中的神经元，任一WTA网络的父WTA网络对应的节点是所述任一WTA网络对应的节点的父节点。

6.根据权利要求1所述的方法，其特征在于，在接收携带有目标图像的分类请求之前，所述方法还包括：

将每种类别的至少一个样本图像，分别输入所述预先训练的多层贝叶斯网络，得到每种类别的至少一个样本图像中每个样本图像对应的概率集合；

根据所述每个样本图像对应的概率集合中最大的概率对应的神经元，以及每个样本图像的类别，建立所述输出层的神经元与类别的对应关系。

7.一种图像分类装置，其特征在于，所述装置包括

接收模块，用于接收目标图像；

处理模块，用于基于预先训练的多层贝叶斯网络，对所述目标图像进行处理，得到所述目标图像对应的概率集合，其中，所述预先训练的多层贝叶斯网络中的每个节点分别对应一个WTA网络，所述多层贝叶斯网络的神经元为所述多层贝叶斯网络中的WTA网络包括的神经元，所述多层贝叶斯网络中的动态发放函数是基于平均场分布公式建立的，所述概率集合包括所述预先训练的多层贝叶斯网络的输出层中每个神经元的发放脉冲的概率；

确定模块，用于根据所述目标图像对应的概率集合中最大的概率，确定所述目标图像所属的类别。

8.根据权利要求7所述的装置，其特征在于，所述确定模块用于：

在所述输出层的神经元中确定目标神经元，其中，所述目标神经元的发放脉冲的概率是所述概率集合中最大的概率；

基于预设的输出层的神经元与类别的对应关系，确定所述目标神经元对应的目标类别为所述目标图像所属的类别。