[发明专利]非机动车图像多标签分类方法、系统、设备及存储介质

说明书

本发明提供了一种非机动车图像多标签分类方法、系统、设备及存储介质，所述非机动车图像的标签包括多个属性的分类结果，所述方法包括如下步骤：将测试的非机动车图像输入训练好的分类网络模型中，所述分类网络模型包括特征提取层和与所述属性一一对应的多个分类单元；所述分类网络模型的特征提取层提取测试图像中的特征；所述分类网络模型的多个分类单元分别根据提取的特征计算各个属性的分类结果；将各个属性的分类结果合并，作为测试的非机动车图像的标签。本发明采用了一个分类网络模型即可以实现非机动车多属性分类，训练方便，分类精度高。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种非机动车图像多标签分类方法、系统、设备及存储介质。

背景技术

卷积神经网络作为深度学习的代表方法，能够自动学习图像特征提取，在大部分的计算机视觉任务中都有很好的效果。但在某些领域的应用中，如非机动车图像领域，往往需要获得目标图像的多个属性下类别标签的输出。常规做法可以使用多个多分类的网络来完成多个类别标签的图像识别，但这种方法会导致算法耗时随着应用中分类属性的规模而线性增加，效率很低。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种非机动车图像多标签分类方法、系统、设备及存储介质，采用一个分类网络模型即可以实现非机动车多属性分类，训练方便，分类精度高。

本发明实施例提供一种非机动车图像多标签分类方法，所述非机动车图像的标签包括多个属性的分类结果，所述方法包括如下步骤：

将测试的非机动车图像输入训练好的分类网络模型中，所述分类网络模型包括特征提取层和与所述属性一一对应的多个分类单元；

所述分类网络模型的特征提取层提取测试的非机动车图像中的特征；

所述分类网络模型的多个分类单元分别根据提取的特征计算各个属性的分类结果；

将各个属性的分类结果合并，作为测试的非机动车图像的标签。

可选地，所述分类网络模型的多个分类单元分别根据提取的特征计算各个属性的分类结果，包括如下步骤：

所述分类网络模型的多个分类单元分别计算所述测试的非机动车图像属于所对应的属性中各个类别的概率，选择概率最大的类别作为所对应的属性的分类结果。

可选地，所述特征提取层包括至少一卷积层和至少一池化层，所述分类单元为softmax层。

可选地，所述特征提取层和分类单元之间还设置有第一全连接层和多个分支全连接层，所述多个分支全连接层与所述分类单元一一对应，所述特征提取层的输出通过所述第一全连接层后连接至所述多个分支全连接层，各个所述分支全连接层的输出连接至所对应的分类单元。

可选地，所述第一全连接层的输出通过一dropout层输入一第二全连接层，所述第二全连接层通过一dropout层连接至所述多个分支全连接层。

可选地，所述分类网络模型采用如下步骤进行训练：

构建包括特征提取层和多个分类单元的分类网络模型，所述分类单元与非机动车图像的属性一一对应；

获取训练集，所述训练集包括训练图像数据和与各个训练图像所对应的标签数据，所述标签数据包括图像路径和训练图像在各个属性中的类别；

将所述训练集输入所述分类网络模型进行迭代训练，将各个分类单元的损失值加权求和作为分类网络的损失，迭代训练至模型收敛；

保存训练完成的分类网络模型。

可选地，所述构建包括特征提取层和多个分类单元的分类网络模型之后，还包括如下步骤：