[发明专利]一种图像分类的实现方法、装置、设备和介质

权利要求书

1.一种图像分类的实现方法，其特征在于，包括：

获取待分类图像的特征向量，作为待分类特征向量；

将所述待分类特征向量输入图像分类模型，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别；

其中，所述目标函数包括常规稀疏表示项和稀疏约束项，所述常规稀疏表示项用于确定所述待分类特征向量与所述图像分类模型的所有训练样本的训练特征向量之间的重构误差，所述稀疏约束项用于确定各所述训练特征向量之间的分类关系。

2.根据权利要求1所述的方法，其特征在于，所述稀疏约束项具有稀疏调整参数，所述稀疏调整参数是由所述图像分类模型的分类识别率确定的。

3.根据权利要求2所述的方法，其特征在于，将所述待分类特征向量输入图像分类模型之前，还包括：

将多个验证样本的验证特征向量输入图像分类模型，以输出分类结果；

将输出的分类结果与所述验证样本的标注分类结果进行比对，以确定所述图像分类模型的分类识别率；

根据所述分类识别率调整所述稀疏调整参数。

4.根据权利要求1所述的方法，其特征在于，获取待分类图像的特征向量包括：

对所述待分类图像，将像素调整矩阵转换为一维向量，作为所述待分类特征向量；或

采用卷积神经网络对所述待分类图像进行处理，并从全连接层输出所述待分类特征向量。

5.根据权利要求1-4任一所述的方法，其特征在于，所述目标函数的公式如下：

其中：

s.t.s是使得目标函数满足稀疏表示向量s大于等于0的条件；

y为待分类特征向量，y∈R^D×1，R代表矩阵，D表示待分类特征向量的特征维度；

X为所有类别训练特征向量的集合，X∈R^D×N，N表示所述训练样本的总数量，X＝[X¹,X²,...,X^C]由C类训练特征向量组成，C表示所述训练样本的类别数量，Xⁱ为属于i类的训练特征向量的按列拼接矩阵，i为类别序号；

s＝[S¹,S²,...,S^C]^T为所述待分类特征向量采用每类训练特征向量进行表示的稀疏表示向量；Sⁱ为采用i类训练特征向量Xⁱ的稀疏表示；

为所述常规稀疏表示项；

2α||s||₁为所述稀疏约束项；

α是调整所述稀疏表示向量稀疏性的稀疏调整参数；

为向量2-范数的平方，||·||₁为向量1-范数。

6.根据权利要求1所述的方法，其特征在于，将所述待分类特征向量输入图像分类模型，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别包括：

将所述待分类特征向量输入图像分类模型，利用交替方向乘子算法，基于所述图像分类模型的目标函数计算所述待分类特征向量的稀疏表示向量，且根据所述稀疏表示向量确定所述待分类图像的类别。