[发明专利]目标分类方法、目标分类装置及计算机可读存储介质

权利要求书

1.一种目标分类方法，包括：

将训练图像输入神经网络，得到训练图像的特征向量；将与训练图像具有相同标签的正样本图像输入所述神经网络，得到正样本图像的特征向量；将与训练图像具有不同标签的负样本图像输入所述神经网络，得到负样本图像的特征向量；

调整所述神经网络的参数以减小所述神经网络的损失函数值；所述损失函数值与第一距离呈正相关且与第二距离呈负相关，所述第一距离为负样本图像的特征向量与训练图像的特征向量之间的距离，所述第二距离为正样本图像的特征向量与训练图像的特征向量之间的距离；

利用所述神经网络对目标的图像进行处理，以确定目标的类别。

2.如权利要求1所述的目标分类方法，其中，所述距离为余弦距离。

3.如权利要求2所述的目标分类方法，其中，所述神经网络的损失函数L为：

其中，N表示训练图像、正样本图像、负样本图像所组成三元组的个数，i表示三元组的序号；{·}₊＝max({·},0)，表示{·}内的值大于零时取该值，小于零时取零；表示第i个三元组中的训练图像，表示第i个三元组中的负样本图像，表示第i个三元组中的正样本图像；f(·)表示求特征向量；cos[]表示求特征向量之间的余弦距离；α为常数。

4.如权利要求1所述的目标分类方法，还包括：

将InceptionV3神经网络中第三个Inception模块组之后的神经层，替换为由全局平均池化层、全连接层、分类层组成的神经层，以生成所述神经网络。

5.如权利要求4所述的目标分类方法，其中，所述利用所述神经网络对目标的图像进行处理，以确定目标的类别包括：

将目标的图像输入所述神经网络，以使得所述分类层输出多维向量；所述多维向量中的元素表示目标属于各个类别的概率，所述多维向量的维度表示各个类别的总数；

根据所述多维向量，确定目标所属的类别。

6.如权利要求4所述的目标分类方法，还包括：

在对InceptionV3神经网络中第三个Inception模块组之后的神经层进行替换之前，采用标注了标签的训练图片集对InceptionV3神经网络进行训练。

7.一种目标分类装置，包括：

图像输入模块，被配置为：将训练图像输入神经网络，得到训练图像的特征向量；将与训练图像具有相同标签的正样本图像输入所述神经网络，得到正样本图像的特征向量；将与训练图像具有不同标签的负样本图像输入所述神经网络，得到负样本图像的特征向量；

网络调整模块，被配置为调整所述神经网络的参数以减小所述神经网络的损失函数值；所述损失函数值与第一距离呈正相关且与第二距离呈负相关，所述第一距离为负样本图像的特征向量与训练图像的特征向量之间的距离，所述第二距离为正样本图像的特征向量与训练图像的特征向量之间的距离；

目标分类模块，被配置为利用所述神经网络对目标的图像进行处理，以确定目标的类别。

8.如权利要求7所述的目标分类装置，其中，所述距离为余弦距离。

9.如权利要求8所述的目标分类装置，其中，所述神经网络的损失函数L为：

其中，N表示训练图像、正样本图像、负样本图像所组成三元组的个数，i表示三元组的序号；{·}₊＝max({·},0)，表示{·}内的值大于零时取该值，小于零时取零；表示第i个三元组中的训练图像，表示第i个三元组中的负样本图像，表示第i个三元组中的正样本图像；f(·)表示求特征向量；cos[]表示求特征向量之间的余弦距离；α为常数。

10.如权利要求7所述的目标分类装置，还包括网络生成模块，被配置为：

将InceptionV3神经网络中第三个Inception模块组之后的神经层，替换为由全局平均池化层、全连接层、分类层组成的神经层，以生成所述神经网络。