[发明专利]图像压缩和分类方法、装置及电子设备

权利要求书

1.一种图像压缩和分类方法，其特征在于，包括：

获取待训练的卷积神经网络模型，所述待训练的卷积神经网络模型包括由卷积层构成的编码器、共用所述编码器的生成器及分类器；

获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像；

将所述特征图像输入所述生成器，输出所述图像样本的压缩图像，及将所述特征图像输入所述分类器，输出所述图像样本的分类结果；

获得所述压缩图像与所述图像样本之间的第一误差，及所述分类结果的第二误差，并利用所述第一误差和第二误差调整所述卷积神经网络模型的模型参数，利用调整得到的模型参数返回所述获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像，直到得到达到训练目标值的模型参数。

2.根据权利要求1所述的图像压缩和分类方法，其特征在于，所述获得所述压缩图像与所述图像样本之间的第一误差，包括：

将所述压缩图像和图像样本输入判别器，输出所述压缩图像和图像样本之间的区分结果，所述区分结果作为所述第一误差；

其中所述生成器和判别器分别为生成对抗网络中的生成网络和判别网络。

3.根据权利要求2所述的图像压缩和分类方法，其特征在于，所述利用所述第一误差和第二误差调整所述卷积神经网络模型的模型参数，包括：

利用所述第一误差调整所述判别器的参数。

4.根据权利要求1所述的图像压缩和分类方法，其特征在于，在利用调整得到的模型参数返回所述获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像，直到得到达到训练目标的模型参数之前，所述方法还包括：

将测试图片输入基于所述待训练的卷积神经网络模型的所述模型参数得到的测试网络，输出分类标签测试值；

利用调整得到的模型参数返回所述获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像，直到得到达到训练目标的模型参数，包括：

在所述分类标签测试值未达到所述训练目标值的情况下，利用调整得到的模型参数返回所述获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像，直到得到达到训练目标的模型参数。

5.根据权利要求1所述的图像压缩和分类方法，其特征在于，所述利用所述第一误差和第二误差调整所述卷积神经网络模型的模型参数，包括：

利用所述第一误差调整所述编码器和生成器的参数；

利用所述第二误差调整所述编码器和分类器的参数。

6.一种图像压缩和分类方法，其特征在于，包括：

获取训练得到的卷积神经网络模型，所述卷积神经网络模型包括由卷积层构成的编码器、共用所述编码器的生成器及分类器；

获取待处理图像，利用所述编码器对所述待处理图像进行卷积操作，得到特征图像；

将所述特征图像输入所述生成器，输出所述待处理图像的压缩图像，及将所述特征图像输入所述分类器，输出所述待处理图像的分类标签；

其中，所述卷积神经网络模型是利用图像样本训练得到的。

7.一种图像压缩和分类装置，其特征在于，包括：

获取模块，获取待训练的卷积神经网络模型，所述待训练的卷积神经网络模型包括由卷积层构成的编码器、共用所述编码器的生成器及分类器；

特征提取模块，获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像；

训练模块，将所述特征图像输入所述生成器，输出所述图像样本的压缩图像，及将所述特征图像输入所述分类器，输出所述图像样本的分类结果；

模型参数调整模块，获得所述压缩图像与所述图像样本之间的第一误差，及所述分类结果的第二误差，并利用所述第一误差和第二误差调整所述卷积神经网络模型的模型参数，利用调整得到的模型参数返回所述获取图像样本，利用所述编码器对所述图像样本进行卷积处理，得到特征图像，直到得到达到训练目标值的模型参数。