[发明专利]一种多标签图像分类方法、装置、设备和存储介质

说明书

本申请公开了一种多标签图像分类方法、装置、设备和存储介质，方法包括：响应于图像分类请求，获取待检测图像；对所述待检测图像进行特征提取得到图像特征；获取所述待检测图像对应的预置分类器，所述预置分类器是基于图神经网络对训练图像进行标签嵌入后得到的，其中，所述待检测图像和所述训练图像为同一场景图像；将所述图像特征和所述预置分类器融合，得到所述待检测图像的多标签分类结果。解决了现有的多标签分类方法在复杂场景和多个对象的输入图像上由于忽略对象之间的拓扑结构，导致分类结果准确度较差的技术问题。

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种多标签图像分类方法、装置、设备和存储介质。

背景技术

多标签图像分类是计算机视觉中的重要任务，目的是预测图像或视频中存在的类别。近年来，随着大规模人工标记数据集的建立及卷积神经网络的发展，单标签图像分类取得了较大的进展。通过处理一系列单标签分类任务，可以扩展到多标签分类任务。与单标签分类相比，多标签分类应用更加广泛，如互联网搜索、安全监视、机器人等。

现有的多标签分类方法虽然可以取得一定的分类效果，但是在复杂场景和多个对象的输入图像上由于忽略对象之间的拓扑结构，导致分类结果准确度较差。

发明内容

本申请提供了一种多标签图像分类方法、装置、设备和存储介质，解决了现有的多标签分类方法在复杂场景和多个对象的输入图像上由于忽略对象之间的拓扑结构，导致分类结果准确度较差的技术问题。

有鉴于此，本申请第一方面提供了一种多标签图像分类方法，包括：

响应于图像分类请求，获取待检测图像；

对所述待检测图像进行特征提取得到图像特征；

获取所述待检测图像对应的预置分类器，所述预置分类器是基于图神经网络对训练图像进行标签嵌入后得到的，其中，所述待检测图像和所述训练图像为同一场景图像；

将所述图像特征和所述预置分类器融合，得到所述待检测图像的多标签分类结果。

可选地，所述预置分类器的配置过程具体包括：

通过数据驱动的方式构建所述训练图像中标签之间的相关性，得到所述训练图像的邻接矩阵；

将所述邻接矩阵和所述训练图像的标签特征输入至所述图神经网络，使得所述标签特征在所述图神经网络中按照所述邻接矩阵进行传播；

将所述图神经网络输出的标签结果作为所述预置分类器。

可选地，所述预置分类器的配置过程还包括：

将所述训练图像的训练图像特征和所述预置分类器进行融合，得到所述训练图像的训练分类结果；

将所述训练分类结果输入至多标签分类损失函数后，根据预置优化方法对所述预置分类器进行优化。

可选地，所述预置优化方法包括：梯度下降法。

可选地，对所述待检测图像进行特征提取得到图像特征，具体包括：

通过卷积神经网络对所述待检测图像进行图像特征提取，得到若干待检测图像特征值；

保留大于预设阈值的所述待检测图像特征值，得到图像特征。

可选地，将所述图像特征和所述预置分类器融合，得到所述待检测图像的多标签分类结果，具体包括：

将所述图像特征和所述预置分类器线性结合，得到所述待检测图像的多标签分类结果。

可选地，获取所述待检测图像对应的预置分类器，具体包括：

获取待检测图像的场景信息；