[发明专利]一种图像分类方法、系统、电子设备及存储介质

说明书

本申请公开了一种图像分类方法，包括：设置图像分类模型的目标激活函数；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，本申请能够提高图像分类准确率。本申请还公开了一种图像分类系统、一种存储介质及一种电子设备，具有以上有益效果。

技术领域

本申请涉及人工智能领域，特别涉及一种图像分类方法、系统、电子设备及存储介质。

背景技术

随着图像分类领域新需求的不断出现，现有的图像分类模型训练过程中场景分类越来越精细，需要模型对各种场景的包容度也越来越高，仅在普通场景有较高的识别率已经不能满足现有需求。由于常规的训练集中并没有这些特殊场景的数据，因此需要加入更全面、复杂、困难场景的训练数据，以提高模型的灵活性和泛化性。但这些复杂场景的训练数据往往和已有训练数据差别较大，当加入这种场景的数据时，常规的激活函数按通道对神经元进行相同的激活操作，丰富的训练数据没有得到充分利用，不利于提高模型的泛化性，降低了图像分类的准确率。

因此，如何提高图像分类准确率是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种图像分类方法、系统、一种电子设备及一种存储介质，能够提高图像分类准确率。

为解决上述技术问题，本申请提供一种图像分类方法，该图像分类方法包括：

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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。