[发明专利]图像压缩和分类方法、装置及电子设备

说明书

本发明提供一种图像压缩和分类方法、装置及电子设备，图像压缩和分类方法包括获取待训练的卷积神经网络模型，模型包括由卷积层构成的编码器、共用编码器的生成器及分类器；获取图像样本，利用编码器对图像样本进行卷积处理，得到特征图像；将特征图像输入生成器和分类器，输出图像样本的压缩图像以及分类结果；获得压缩图像与图像样本之间的第一误差，及分类结果的第二误差，并利用第一误差和第二误差调整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获取图像样本，利用编码器对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。本发明图像压缩及图像分类使用同一编码器，可以大大减少计算资源。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像压缩和分类方法、装置及电子设备。

背景技术

近年来，随着对深度学习的研究不断深入，基于深度学习的图像压缩和分类方法也随之被提出，深度学习对图像特征提取、表达能力，以及高维数据的处理能力等都被认为对于图像压缩存在独有的优势。目前深度学习中比较常见的卷积神经网络CNN等架构在图像编码、压缩、分类等图像处理的应用领域都取得了卓越的表现。

利用深度学习技术，先利用图像样本训练网络模型，以调整网络模型的模型参数，得到训练好的网络模型。然后，将待处理图像输入训练好的网络模型，从而输出图像处理结果，比如压缩图像或分类标签等。

因此，如何节省基于深度学习技术的图像处理任务中的计算资源是业界普遍考虑的一个课题。

发明内容

本发明提供一种图像压缩和分类方法、装置及电子设备，用以解决现有技术中图像处理需要大量计算资源的缺陷，实现计算时的资源节省。

本发明提供一种图像压缩和分类方法，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。

根据本发明提供的一种图像压缩和分类方法，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。

根据本发明提供的一种图像压缩和分类方法，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。

根据本发明提供的一种图像压缩和分类方法，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：