[发明专利]一种图像分类方法、系统、电子设备及存储介质

权利要求书

1.一种图像分类方法，其特征在于，包括：

设置图像分类模型的目标激活函数；其中，所述目标激活函数包括自适应参数和可训练参数，所述自适应参数用于控制神经元是否进行激活操作，所述可训练参数用于控制激活操作的程度；

确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；

根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；

若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别。

2.根据权利要求1所述图像分类方法，其特征在于，根据所述样本特征矩阵计算损失函数值，包括：

将所述图像样本的样本特征矩阵与对应的样本标签矩阵相乘，得到每一所述图像样本的正确分类特征值；

将所述正确分类特征值、固定角度间隔和区间随机参数相加，得到训练样本与正确分类类中心的相似度；其中，所述区间随机参数为正态分布函数的值；

根据所述相似度计算损失函数值。

3.根据权利要求2所述图像分类方法，其特征在于，所述图像分类模型的损失函数L_Delta为：

N为所述当前批次样本的样本数，i为第i个样本，e为自然对数，s为归一化超球体的弧度，n为类别总数，j为第j个类别，cosθ_yi为第i个样本的正确分类特征值，cosθ_j为第i个样本除了正确分类之外其他错误分类的特征值，y_i为第i个样本的标签，m为角度间隔，Δ为区间随机参数。

4.根据权利要求1所述图像分类方法，其特征在于，所述设置图像分类模型的目标激活函数，包括：

将所述图像分类模型最后N个block的激活函数设置为所述目标激活函数。

5.根据权利要求1所述图像分类方法，其特征在于，所述目标激活函数Y_Ada为：

a₁和a₂为所述可训练参数，β为所述自适应参数，x为所述目标激活函数的输入特征，σ为sigmoid函数。

6.根据权利要求1所述图像分类方法，其特征在于，所述自适应参数的计算过程包括：对所述目标激活函数的输入特征在高和宽两个维度上进行全局平均池化操作得到目标特征，对所述目标特征执行卷积计算得到所述自适应参数；

相应的，还包括：

根据所述自适应参数和所述目标激活函数的输入特征，计算目标激活函数值。

7.根据权利要求6所述图像分类方法，其特征在于，对所述目标特征执行卷积计算得到所述自适应参数，包括：

对所述目标特征执行输出通道为C/r和C的1×1卷积计算，得到所述自适应参数；C为所述目标激活函数的输入特征的通道数，r为缩放系数。

8.一种图像分类系统，其特征在于，包括：

激活参数设置模块，用于设置图像分类模型的目标激活函数；其中，所述目标激活函数包括自适应参数和可训练参数，所述自适应参数用于控制神经元是否进行激活操作，所述可训练参数用于控制激活操作的程度；

激活函数模块，用于确定当前批次样本，并利用所述目标激活函数计算所述当前批次样本对应的样本特征矩阵；

更新模块，用于根据所述样本特征矩阵计算损失函数值，并利用所述损失函数值更新所述图像分类模型的网络参数，以便训练所述图像分类模型；

分类模块，用于若接收到未知图像，则利用训练后的图像分类模型输出所述未知图像的图像类别。

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述图像分类方法的步骤。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述图像分类方法的步骤。