[发明专利]一种基于修复自监督任务的图像分类方法及装置

说明书

本发明公开了一种基于修复自监督任务的图像分类方法及装置。其中，该方法包括：获取原始图像数据；将所述原始图像数据进行预处理，得到已处理图像数据；将所述已处理图像数据进行修复，得到待分类图像数据；将所述待分类图像数据进行分类，得到分类结果，其中，对所述待分类图像数据进行分类包括：利用高层语义表示通过卷积神经网络进行降维：M_x=Conv_4×4(H_x,θ)，并根据降维后的所述语义信息M_x运算得到最后的分类结果：，其中W和b分别是多层感知机中的参数矩阵和偏置。本发明解决了现有技术中随着图片数据的增多，手工进行图片类别标注的代价也相继加大，因此在训练深度学习需要大量的人工标注的样本的技术问题。

技术领域

本发明涉及图像数据处理领域，具体而言，涉及一种基于修复自监督任务的图像分类方法及装置。

背景技术

随着智能化科技的不断发展，人们的生活、工作、学习之中越来越多地用到了智能化设备，使用智能化科技手段，提高了人们生活的质量，增加了人们学习和工作的效率。

图像分类是计算机视觉领域的基础任务之一，其基本目的是判断图像中包含的物体类别。随着计算机智能视觉领域的快速发展，图像分类技术也在不断完善。从一开始的传统方法，即手工提取图片特征到后来的深度学习方法，卷积神经网络可以挖掘出图片中更深层的语义信息。从2007年开始，学者李飞飞耗费大量人力通过各种方式（网络抓取，人工标注，亚马逊平台等）收集超过1500万的图像数据，大约包含2.2万类。基于这个数据集，从2010年开始举办了一个图像分类竞赛，即ImageNet Large-Scale Visual RecognitionChallenge（ILSVRC）。这个竞赛使得研究者们在图片分类领域上拓荒前进，相继提出AlexNet、VGG、GoogLeNet、ResNet和SENet等具有跨时代意义的深度网络编码模型。到目前为止，随着图片数据的增多，手工进行图片类别标注的代价也相继加大。训练深度学习需要大量的人工标注的样本，这是费时耗力的。因此，自监督模型的提出就是为了打破人工标注样本的限制，其目的是在没有人工标注的条件下也能高效且准确的训练神经网络。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于修复自监督任务的图像分类方法及装置，以至少解决现有技术中随着图片数据的增多，手工进行图片类别标注的代价也相继加大，因此在训练深度学习需要大量的人工标注的样本的技术问题。

根据本发明实施例的一个方面，提供了一种基于图像修复自监督任务的图像分类方法，包括：获取原始图像数据；将所述原始图像数据进行预处理，得到已处理图像数据；将所述已处理图像数据进行修复，得到待分类图像数据；将所述待分类图像数据进行分类，得到分类结果，其中，对所述待分类图像数据进行分类包括：利用高层语义表示通过卷积神经网络进行降维：M_x= Conv_4×4(H_x,θ)，并根据降维后的所述语义信息M_x运算得到最后的分类结果： ，其中W和b分别是多层感知机中的参数矩阵和偏置。