[发明专利]一种图像分类方法和装置

说明书

本申请实施例提供了一种图像分类方法和装置，该方法包括：获取待分类的事物图像、前景目标提取器和最终分类器；将事物图像输入前景目标提取器获取前景目标图像；将该前景目标图像输入最终分类器获得分类结果；最终分类器由图像特征提取器和小样本事物分类器构成；图像特征提取器是以大样本的已知类型事物的前景目标图像为训练数据训练获得；小样本事物分类器是以扩充后的新类型事物的前景目标图像为训练数据训练获得的；扩充方法包括:采用姿态转换生成器将新类型事物的前景目标图像进行姿态转换后获得扩充的前景目标图像。该实施例方案有效解决了小样本条件下细粒度图像的分类问题，有效提高了分类准确率。

技术领域

本文涉及图像识别技术，尤指一种图像分类方法和装置。

背景技术

细粒度图像分类无论在工业界还是学术界都有着广泛的研究需求与应用场景，其目的是从一个大类中识别出不同子类，例如区分不同的鸟类、不同型号的汽车等，是近年来计算机视觉领域的热点研究问题。深度学习技术的快速发展大大提高了细粒度图像分类的准确率，该技术一般需要依赖大量的标记样本进行模型训练。然而，在许多实际应用场景中，如：机械故障检测、医疗影像识别、深海生物识别等，由于某些类别数据少、标记成本高等原因，经常会面临标记样本很少的情况，即小样本细粒度图像分类问题。这一问题相比细粒度图像分类问题或普通的小样本图像分类问题更具挑战性，因为它继承了这两类问题各自的难点：一是细粒度图像分类的类内方差大类间方差小的难点；二是小样本图像分类的样本太少不足以训练深度学习模型的难点。

发明内容

本申请实施例提供了一种图像分类方法和装置，能够有效解决小样本条件下细粒度图像的分类问题，有效提高分类准确率。

本申请实施例提供了一种图像分类方法，所述方法可以包括：

获取待分类的事物图像以及预先训练好的前景目标提取器和最终分类器；

将所述待分类的事物图像输入所述前景目标提取器，获取所述待分类的事物图像的前景目标图像；

将所述待分类的事物图像的前景目标图像输入所述最终分类器，由所述最终分类器输出关于所述待分类的事物图像的分类结果；

其中，所述最终分类器是由预先训练好的图像特征提取器和小样本事物分类器构成的；

所述图像特征提取器是以大样本的已知类型事物的前景目标图像为训练数据训练获得的；

所述小样本事物分类器是以扩充后的新类型事物的前景目标图像为训练数据训练获得的；扩充方法包括:采用姿态转换生成器将新类型事物的前景目标图像进行姿态转换后获得扩充的前景目标图像。

在本申请的示例性实施例中，所述前景目标提取器可以包括：显著性目标检测模型以及包括多个图像操作的图像操作模块；

其中，所述图像操作可以依次包括以下一种或多种：像素级逻辑操作、乘法操作、掩模操作和放大操作；

所述显著性目标检测模型用于获取所述显著性目标检测模型的输入图像的显著图，所述显著图为包含前景目标的姿态的特征图；所述图像操作模块用于对所述显著图进行图像处理。

在本申请的示例性实施例中，获取所述前景目标提取器可以包括：获取所述显著性目标检测模型；

所述获取所述显著性目标检测模型可以包括：采用由所述已知类型事物的图像以及该图像对应的显著图构成的第一训练集对构建的卷积神经网络进行训练，获取所述显著性目标检测模型。

在本申请的示例性实施例中，所述图像特征提取器的获取方法可以包括：

基于大样本的已知类型事物的第一图像和所述前景目标提取器生成所述第一图像的前景目标图像，并采用所述前景目标图像对卷积神经网络进行训练获取所述图像特征提取器。