[发明专利]图像多标签分类方法、系统、设备及可读存储介质

权利要求书

1.一种图像多标签分类方法，其特征在于，包括以下步骤：

S1：获取待分类的多标签各自对应的原始图像，生成样本集；

S2：获取用于图像多标签分类的初始深度卷积神经网络；在初始深度卷积神经网络内添加门激活函数层得到深度卷积神经网络；

S3：通过样本集迭代训练深度卷积神经网络，得到各标签对应的显著性图；具体方法为：通过样本集迭代训练深度卷积神经网络，将深度卷积神经网络的低层神经网络输出和高层神经网络输出融合，得到各标签对应的可视化的显著性图；

S4：选取满足预设要求的标签对应的显著性图，通过显著性图从对应的原始图像中提取目标，目标为预设要求的标签对应的目标物体；其中，通过显著性图从对应的原始图像中提取目标的具体方法为：将显著性图归一化到0-1之间，以随机阈值设计二值化掩码从对应的原始图像中提取目标；

S5：设置待生成图像，将目标区域迁移至待生成图像上得到目标图像；具体方法为：

S5-1：设置待生成图像，将目标置于待生成图像；

S5-2：将目标进行随机平移及缩放；根据待生成图像的边缘范围及待生成图像内其他物体的区域范围，得到目标的区域及大小的生成条件，根据生成条件选取随机平移及缩放后的目标；

S5-3：重复S5-2至达到预设的最大选取次数，将满足生成条件的目标的颜色风格迁移到待生成图像，得到目标图像；其中，将满足生成条件的目标的颜色风格迁移到待生成图像的具体方法为：计算待生成图像和目标在Lab颜色空间的均值和方差，将目标的颜色风格迁移到待生成图像的颜色风格；

S6：将目标图像添加至样本集中，迭代S3至S5预设次数，通过最终的深度卷积神经网络进行输入图像的图像多标签分类。

2.根据权利要求1所述的图像多标签分类方法，其特征在于，所述S1还包括：将原始图像进行预处理，预处理包括图像去噪、图像增强和/或数据增广。

3.根据权利要求1所述的图像多标签分类方法，其特征在于，所述S4中预设要求的标签为标签对应的原始图像数量小于预设数量的标签，或者为标签的分类效果不满足预设分类效果要求的标签。

4.一种图像多标签分类系统，其特征在于，包括：

样本集模块，用于获取待分类的多标签各自对应的原始图像，生成样本集；

模型建立模块，用于获取用于图像多标签分类的初始深度卷积神经网络；在初始深度卷积神经网络内添加门激活函数层得到深度卷积神经网络；

模型训练模块，用于通过样本集迭代训练深度卷积神经网络，得到各标签对应的显著性图；具体方法为：通过样本集迭代训练深度卷积神经网络，将深度卷积神经网络的低层神经网络输出和高层神经网络输出融合，得到各标签对应的可视化的显著性图；

目标提取模块，用于选取预设要求的标签对应的显著性图，通过显著性图从对应的原始图像中提取目标，目标为预设要求的标签对应的目标物体；其中，通过显著性图从对应的原始图像中提取目标的具体方法为：将显著性图归一化到0-1之间，以随机阈值设计二值化掩码从对应的原始图像中提取目标；

目标图像生成模块，用于设置待生成图像，将目标区域迁移至待生成图像上得到目标图像；具体方法为：

S5-1：设置待生成图像，将目标置于待生成图像；

S5-2：将目标进行随机平移及缩放；根据待生成图像的边缘范围及待生成图像内其他物体的区域范围，得到目标的区域及大小的生成条件，根据生成条件选取随机平移及缩放后的目标；

S5-3：重复S5-2至达到预设的最大选取次数，将满足生成条件的目标的颜色风格迁移到待生成图像，得到目标图像；其中，将满足生成条件的目标的颜色风格迁移到待生成图像的具体方法为：计算待生成图像和目标在Lab颜色空间的均值和方差，将目标的颜色风格迁移到待生成图像的颜色风格；

样本集更新模块，用于将目标图像添加至样本集中；

循环控制模块，用于控制模型训练模块、目标提取模块、目标图像生成模块以及样本集更新模块循环进行预设次数；以及

图像多标签分类模块，用于通过最终的深度卷积神经网络进行输入图像的图像多标签分类。