[发明专利]图像分类模型训练、图像分类、个性化推荐方法及装置

权利要求书

1.一种图像分类模型训练方法，其特征在于，包括以下步骤：

提取各样本图像的全局图像特征；

根据各所述样本图像以及各所述样本图像的全局图像特征，确定各所述样本图像的局部关键区域；

提取各所述样本图像的局部关键区域的图像特征；

根据各所述样本图像的全局图像特征以及各所述样本图像的局部关键区域的图像特征，获取各所述样本图像分别对应的关联特征；

初始化分类模型，获得初始分类模型；

根据各所述样本图像的全局图像特征、各所述样本图像的局部关键区域的图像特征以及各所述样本图像的关联特征，对所述初始分类模型进行训练，获得训练后的图像分类模型；

根据各所述样本图像的全局图像特征以及各所述样本图像的局部关键区域的图像特征，获取各所述样本图像分别对应的关联特征，包括：

对各所述样本图像的全局图像特征进行转置处理，获得各所述样本图像的转置特征；

将各所述样本图像的所述转置特征，分别与各所述样本图像对应的局部关键区域的子图像特征相乘，获得乘积特征；

平均池化所述乘积特征，获得各所述样本图像的关联特征。

2.根据权利要求1所述的方法，其特征在于，根据各所述样本图像以及各所述样本图像的全局图像特征，确定各所述样本图像的局部关键区域，包括：

根据各所述样本图像的全局图像特征，获取各所述样本图像的各子区域分别对应的子图像特征；

获取各所述样本图像的子图像特征分别对应的权重；

根据各所述子区域的子图像特征、各所述子区域的子图像特征对应的权重以及各所述样本图像，确定各所述样本图像的局部关键区域。

3.根据权利要求2所述的方法，其特征在于，获取各所述样本图像的子图像特征分别对应的权重，包括：

获取预设高维特征向量；

分别将各所述样本图像的各所述子区域的子图像特征分别与所述预设高维特征向量进行合并，获得分别各所述样本图像的各所述子区域的组合特征；

将各所述样本图像的各所述子区域的组合特征分别作为多层感知器的输入，根据所述多层感知器分别进行预测，获得各所述样本图像的各所述子区域的子图像特征分别对应的权重。

4.根据权利要求1所述的方法，其特征在于，

提取各样本图像的全局图像特征，包括：根据第一卷积神经网络对各所述样本图像进行特征提取，获得各所述样本图像的全局图像特征；

提取各所述样本图像的局部关键区域的图像特征，包括：根据第二卷积神经网络对各所述样本图像的局部关键区域进行特征提取，获得各所述样本图像的局部关键区域的图像特征。

5.根据权利要求1所述的方法，其特征在于，所述初始分类模型包括第一初始分类模型以及第二初始分类模型；

根据各所述样本图像的全局图像特征、各所述样本图像的局部关键区域的图像特征以及各所述样本图像的关联特征，对所述初始分类模型进行训练，包括：

根据各所述样本图像的全局图像特征，对所述第一初始分类模型进行训练，获得第一目标分类模型；

根据各所述样本图像的局部关键区域的图像特征，对所述第二初始分类模型进行训练，获得第二目标分类模型；

合并所述第一目标分类模型与所述第二目标分类模型，获得初始合并分类模型；

根据各所述样本图像的关联特征对所述初始合并分类模型进行训练，获得训练后的图像分类模型。

6.根据权利要求1所述的方法，其特征在于，根据各所述样本图像的全局图像特征、各所述样本图像的局部关键区域的图像特征以及各所述样本图像的关联特征，对所述初始分类模型进行训练，包括：

分别对各所述样本图像的全局图像特征、局部关键区域的图像特征以及关联特征进行合并，分别获得各所述样本图像的样本合并特征；

根据各所述样本图像的所述样本合并特征，对所述初始分类模型进行训练，获得训练后的图像分类模型。