CN110414611A - 图像分类方法及装置、特征提取网络训练方法及装置 - Google Patents
图像分类方法及装置、特征提取网络训练方法及装置 Download PDFInfo
- Publication number
- CN110414611A CN110414611A CN201910702994.4A CN201910702994A CN110414611A CN 110414611 A CN110414611 A CN 110414611A CN 201910702994 A CN201910702994 A CN 201910702994A CN 110414611 A CN110414611 A CN 110414611A
- Authority
- CN
- China
- Prior art keywords
- feature
- network
- training
- image
- extracts
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像分类方法及装置、特征提取网络训练方法及装置,所述图像分类方法,包括:将待处理图像输入第一特征提取网络,获得待处理图像的第一特征;将第一特征分别输入M个第二特征提取网络,获得M个第二特征;根据M个第二特征,获得所述待处理图像的分类结果。根据本公开的实施例的图像分类方法,可通过多个第二特征提取网络分别提取样本图像中的多种特征,使特征信息更丰富,提高分类处理的准确率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像分类方法及装置、特征提取网络训练方法及装置。
背景技术
在相关技术中,神经网络在提取图像中的目标对象的特征时,将目标对象作为一个整体进行特征提取,但目标对象的相貌、姿态、在图像中所占比例、背景复杂程度、目标对象在图像中的完整程度等因素均可能影响提取结果,如果提取目标对象的多个特征,则神经网络训练过程参数较多,训练难度较大。
发明内容
本公开提出了一种图像分类方法及装置、特征提取网络训练方法及装置。
根据本公开的一方面,提供了一种图像分类方法,包括:
将待处理图像输入第一特征提取网络,获得所述待处理图像的第一特征;
将所述第一特征分别输入M个第二特征提取网络,获得M个第二特征;
根据所述M个第二特征,获得所述待处理图像的分类结果。
根据本公开的实施例的图像分类方法,可通过多个第二特征提取网络分别提取样本图像中的多种特征,使特征信息更丰富,提高分类处理的准确率。
在一种可能的实现方式中,所述第一特征为所述第一特征提取网络中的预设网络层级的输出特征,所述根据所述M个第二特征,获得所述待处理图像的分类结果,包括:
通过所述第一特征提取网络中所述预设网络层级的后续层级对所述第一特征进行特征提取处理,获得第三特征;
根据所述第三特征及所述M个第二特征获得所述待处理图像的分类结果。
根据本公开的一方面,提供了一种特征提取网络训练方法,包括:
将样本图像输入第一特征提取网络,获得所述样本图像的第一训练特征;
将所述第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征;
根据所述M个第二训练特征,训练M个第二特征提取网络。
根据本公开的实施例的神经网络训练方法,可通过多个第二特征提取网络分别提取样本图像中的多种特征,提高神经网络的性能,并可分组训练多个第二特征提取网络,使训练难度下降,提高神经网络的训练效率。
在一种可能的实现方式中,根据所述M个第二训练特征,训练M个第二特征提取网络,包括:
根据所述M个第二训练特征,分组训练N组第二特征提取网络,每组第二特征提取网络包括所述M个第二特征提取网络中的至少一个,M、N为整数且1<N≤M。
在一种可能的实现方式中,根据所述M个第二训练特征,分组训练N组第二特征提取网络,包括:
根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络的第一网络损失,i为整数且1≤i≤N;
根据第i组第二特征提取网络的第一网络损失,训练所述第i组第二特征提取网络。
在一种可能的实现方式中,根据所述M个第二训练特征,分组训练N组特征提取网络,包括:
根据所述第一训练特征及所述M个第二训练特征,分组训练所述N组第二特征提取网络及所述第一特征提取网络。
在一种可能的实现方式中,在第i组第二特征提取网络的训练过程中,第k个训练周期的第二训练特征之间的特征距离大于第k-1个训练周期的第二训练特征之间的特征距离,k为大于1的整数。
通过这种方式,可使各第二特征提取网络分别提取样本图像的不同的特征,减少多个第二特征提取网络提取到相同或相似的第二训练特征的可能性,降低了多个特征信息之间的信息冗余,提高了处理效率,并使得多个第二特征提取网络提取的特征更丰富,有利于提高分类结果的准确性。
在一种可能的实现方式中,在所述根据所述M个第二训练特征,分组训练N组第二特征提取网络之后,所述方法还包括:
根据所述第一训练特征、所述M个第二训练特征以及样本图像的标注信息,分别确定所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失;
根据所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失,调整所述第一特征提取网络和所述M个第二特征提取网络的网络参数。
在一种可能的实现方式中,所述方法还包括:
至少通过所述的训练后的第一特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的第四特征;
根据所述第四特征,获得对所述待处理图像中的目标对象的分类结果。
在一种可能的实现方式中,至少通过所述训练后的第一特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的第五特征,包括:
通过所述训练后的第一特征提取网络和所述训练后的至少一个第二特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的至少一个第四特征。
根据本公开的一方面,提供了一种图像分类装置,包括:
第一提取模块,用于将待处理图像输入第一特征提取网络,获得所述待处理图像的第一特征;
第二提取模块,用于将所述第一特征分别输入M个第二特征提取网络,获得M个第二特征;
获得模块,用于根据所述M个第二特征,获得所述待处理图像的分类结果。
在一种可能的实现方式中,所述第一特征为所述第一特征提取网络中的预设网络层级的输出特征,所述第二提取模块被进一步配置为:
通过所述第一特征提取网络中所述预设网络层级的后续层级对所述第一特征进行特征提取处理,获得第三特征;
根据所述第三特征及所述M个第二特征获得所述待处理图像的分类结果。
根据本公开的一方面,提供了一种特征提取网络训练装置,包括:
第三提取模块,用于将样本图像输入第一特征提取网络,获得所述样本图像的第一训练特征;
第四提取模块,用于将所述第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征;
训练模块,用于根据所述M个第二训练特征,训练M个第二特征提取网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
根据所述M个第二训练特征,分组训练N组第二特征提取网络,每组第二特征提取网络包括所述M个第二特征提取网络中的至少一个,M、N为整数且1<N≤M。
在一种可能的实现方式中,所述训练模块被进一步配置为:
根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络的第一网络损失,i为整数且1≤i≤N;
根据第i组第二特征提取网络的第一网络损失,训练所述第i组第二特征提取网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
根据所述第一训练特征及所述M个第二训练特征,分组训练所述N组第二特征提取网络及所述第一特征提取网络。
在一种可能的实现方式中,在第i组第二特征提取网络的训练过程中,第k个训练周期的第二训练特征之间的特征距离大于第k-1个训练周期的第二训练特征之间的特征距离,k为大于1的整数。
在一种可能的实现方式中,所述装置还包括:
确定模块,用于根据所述第一训练特征、所述M个第二训练特征以及样本图像的标注信息,分别确定所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失;
调整模块,用于根据所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失,调整所述第一特征提取网络和所述M个第二特征提取网络的网络参数。
在一种可能的实现方式中,所述装置还包括:
第五提取模块,用于至少通过所述的训练后的第一特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的第四特征;
分类模块,用于根据所述第四特征,获得对所述待处理图像中的目标对象的分类结果。
在一种可能的实现方式中,所述第五提取模块被进一步配置为:
通过所述训练后的第一特征提取网络和所述训练后的至少一个第二特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的至少一个第四特征。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像分类方法的流程图;
图2示出根据本公开实施例的特征提取网络训练方法的流程图;
图3示出根据本公开实施例的神经网络训练方法的应用示意图;
图4示出根据本公开实施例的图像分类装置的框图;
图5示出根据本公开实施例的特征提取网络训练装置的框图;
图6示出根据本公开实施例的电子装置的框图;
图7示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像分类方法的流程图,如图1所示,所述方法包括:
在步骤S11中,将待处理图像输入第一特征提取网络,获得所述待处理图像的第一特征;
在步骤S12中,将所述第一特征分别输入M个第二特征提取网络,获得M个第二特征;
在步骤S13中,根据所述M个第二特征,获得所述待处理图像的分类结果。
根据本公开的实施例的图像分类方法,可通过多个第二特征提取网络分别提取样本图像中的多种特征,使特征信息更丰富,提高分类处理的准确率。
在一种可能的实现方式中,所述图像分类方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中,该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
在一种可能的实现方式中,在步骤S11中,所述第一特征提取网络可以是具有多个网络层级的深度学习神经网络,例如卷积神经网络等,也可以是其他可实现特征提取的网络,在此不做限定。所述待处理图像中可包括一个或多个目标对象,所述目标对象可以是人、车辆、物品等。
在一种可能的实现方式中,可将待处理图像输入第一特征提取网络,第一特征提取网络的多个网络层级可依次进行特征提取处理,例如,第一个网络层级可对样本图像进行特征提取,第二个网络层级可对第一个网络层级获取的特征进行特征提取等。在示例中,随着网络层级加深,网络层级获取的特征的尺寸减小,感受野增大。
在一种可能的实现方式中,所述第一特征为所述第一特征提取网络中的预设网络层级的输出特征,即,可将第一特征提取网络中的预设层级获取的特征确定为所述第一特征,例如,所述预设层级可以是所述第一特征提取网络的中间层级,例如,所述第一特征提取网络共包括十个网络层级,可将第五个网络层级作为所述预设层级,并将第五个网络层级获取的特征确定为所述第一特征。本公开对第一特征提取网络包括的网络层级的数量以及预设层级不做限制。
在一种可能的实现方式中,所述第一特征可继续输入第一特征提取网络中的预设层级的后续网络层级进行处理,可获得后续层级输出的特征,例如,第三特征,在示例中,可获得比第一特征尺寸更小,但感受野更大的特征,例如,特征的通道数比第一特征多,但每个通道的特征比第一特征小。
在一种可能的实现方式中,在步骤S12中,所述第一特征提取网络可提取样本图像的某一类特征,例如,可提取样本图像中的目标对象的关键点等特征。但在目标对象的相貌拍摄不清晰、姿态复杂、在图像中所占比例较小、背景较复杂或目标对象在图像中不完整等情况下,单一的一类特征难以获得较高的分类准确度。
在一种可能的实现方式中,可通过多个第二特征提取网络分别对样本图像进行特征提取,可提取样本图像的多类特征。例如,可通过M(M为大于1的整数)个第二特征提取网络G1,G2...GM,分别对样本图像的第一特征进行特征提取处理,获得M个第二特征。
在一种可能的实现方式中,可对第一特征进行深拷贝,例如,可对第一训练特征进行M次深拷贝,获得M个第一特征的副本。并将M个第一特征的副本分别输入M个第二特征提取网络进行特征提取处理,获得M个第二特征。
在一种可能的实现方式中,在步骤S13中,可根据M个第二特征来确定所述待处理图像的分类结果,在示例中,所述分类结果可用于表示待处理图像的类别,本公开对分类结果不做限制。
在示例中,可将待处理图像和参考图像分别输入第一特征提取网络,并由各第二特征提取网络分别获得待处理图像的第二特征和参考图像的参考特征,并确定待处理图像的第二特征和参考图像的参考特征的特征相似度(例如,余弦相似度)。例如,如果待处理图像的第二特征和参考图像的参考特征的特征相似度大于或等于相似度阈值,则待处理图像中的目标对象与参考图像中的目标对象为同一类,即,待处理图像与参考图像可被归为同一类,反之,待处理图像与参考图像可归为不同类。或者,可利用第二特征将待处理图像与多个参考图像进行比对,例如,确定待处理图像的第二特征与各参考图像的参考特征的特征相似度,以确定与分类结果的特征相似度最高的目标参考特征,并将待处理图像与目标参考特征对应的参考图像归为同一类。又或者,将多个待处理图像的第二特征分别与一个或多个参考图像的参考特征进行比对,以对多个待处理图像进行分类,例如,可分别确定一段视频中的每个视频帧的分类(例如,可将包括目标对象的视频帧归为一类,将不包括目标对象的视频帧归为另一类等)。
在一种可能的实现方式中,所述第一特征提取网络也可通过所述预设层级的后续层级对第一特征进行处理,获得分类结果。所述步骤S13可包括:通过所述第一特征提取网络中所述预设网络层级的后续层级对所述第一特征进行特征提取处理,获得第三特征;根据所述第三特征及所述M个第二特征获得所述待处理图像的分类结果。
在示例中,通过所述M个第二特征提取网络可获取M个第二特征,通过第一特征提取网络的所述预设网络层级的后续层级可获得第三特征,并可通过第二特征和第三特征来确定待处理图像的分类结果。例如,可将待处理图像和参考图像分别输入第一特征提取网络,并由第一特征提取网络获得待处理图像的第三特征、由各第二特征提取网络分别获得待处理图像的第二特征,并由第一特征提取网络和第二特征提取网络分别获得参考图像的多个参考特征。进一步地,可通过第三特征以及M个第二特征分别与对应的参考特征进行比对,以确定特征相似度,并可根据所述特征相似度确定待处理图像与参考图像是否属于同一类。
根据本公开的实施例的图像分类,可通过多个第二特征提取网络分别提取样本图像中的多种特征,并通过第一特征提取网络提取第三特征,使特征信息更丰富,提高分类处理的准确率。
图2示出根据本公开实施例的特征提取网络训练方法的流程图,如图2所示,所述方法包括:
在步骤S21中,将样本图像输入第一特征提取网络,获得所述样本图像的第一训练特征;
在步骤S22中,将所述第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征;
在步骤S23中,根据所述M个第二训练特征,训练M个第二特征提取网络。
根据本公开的实施例的神经网络训练方法,可通过多个第二特征提取网络分别提取样本图像中的多种特征,提高神经网络的性能,并可分组训练多个第二特征提取网络,使训练难度下降,提高神经网络的训练效率。
在一种可能的实现方式中,在步骤S21中,可将样本图像输入第一特征提取网络,第一特征提取网络的多个网络层级可依次进行特征提取处理,所述网络层级可包括卷积层、激活层等,在示例中,第一特征提取网络可包括多个网络层级,其中,第一特征提取网络的预设层级(例如中间的某个层级)可输出样本图像的第一训练特征。
在一种可能的实现方式中,在步骤S22中,可将第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征。例如,可按照上述方式对第一训练特征进行M次深拷贝,获得M个第一训练特征的副本。并将M个第一训练特征的副本分别输入M个第二特征提取网络进行特征提取处理,获得M个第二训练特征。
在一种可能的实现方式中,在步骤S23中,可根据M个第二训练特征训练所述M个第二特征提取网络。
在一种可能的实现方式中,M个第二特征提取网络的网络参数很多,同时训练的训练难度较高,运算量较大。可对M个第二特征提取网络进行分组,并分组训练M个第二特征提取网络,其中,步骤S13可包括:根据所述M个第二训练特征,分组训练N组第二特征提取网络,每组第二特征提取网络包括所述M个第二特征提取网络中的至少一个,M、N为整数且1<N≤M。
在示例中,可将M个第二特征提取网络分成N(N为整数且1<N≤M)组,并分别训练各组第二特征提取网络和第一特征提取网络,例如,将第二特征提取网络G1,G2..GM分为N组,例如,第一组为G11、G12……G1Q(其中,Q为正整数),第二组为G21、G22……G2W(其中,W为正整数)……第i组为Gi1、Gi2……GiE(其中,E为正整数)……第N组为GN1、GN2……GNR(其中,R为正整数)。在示例中,在训练第i(i为整数,且1≤i≤N)组第二特征提取网络时,其他组第二特征提取网络的网络参数保持不变。
在一种可能的实现方式中,根据所述M个第二训练特征,分组训练N组第二特征提取网络可包括:根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络的第一网络损失,i为整数且1≤i≤N;根据第i组第二特征提取网络的第一网络损失,训练所述第i组第二特征提取网络。
在一种可能的实现方式中,可通过训练完成的第一特征提取网络提取样本图像的第一训练特征,并可分批次训练各组第二特征提取网络。例如,第1组第二特征提取网络可在第1个训练批次中进行训练,第2组第二特征提取网络可在第2个训练批次中进行训练…第N组第二特征提取网络可在第N个训练批次中进行训练。
在一种可能的实现方式中,以第i个训练批次为例,第i个训练批次可训练第i组第二特征提取网络。在示例中,在训练第i组第二特征提取网络时,其他组第二特征提取网络的网络参数保持不变。在示例中,第i个训练批次可对第i组第二特征提取网络进行多次训练(例如,第i个训练批次可包括多个训练周期),即,对第i组第二特征提取网络和第一特征提取网络进行多次网络参数的调节。每个训练批次均可对该批次要训练的第二特征提取网络进行多次网络参数的调节。
在一种可能的实现方式中,可根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络的第i个训练批次的网络损失。在示例中,可将第一特征提取网络的第l(l为正整数)层的特征作为所述第一训练特征hl,所述M个第二特征提取网络可分别对第一训练特征hl进行处理,分别获得第二训练特征f1、f2……fM,其中,第i组第二特征提取网络为Gi1、Gi2……GiE,第i组第二特征提取网络获得的第二训练特征为fi1、fi2……fiE。可根据第i组第二特征提取网络获得的第二训练特征fi1、fi2……fiE,以及样本图像的标注信息来确定第i组第二特征提取网络的网络损失L。
在示例中,样本图像的标注信息可以是样本图像与参考图像的特征相似度,在示例中,如果样本图像与参考图像中的目标对象为同一人,则样本图像与参考图像的特征相似度可被标注为1,如果样本图像与参考图像中的目标对象不是同一人,则样本图像与参考图像的特征相似度可被标注为0。
在示例中,可通过第一特征提取网络和M个第二特征提取网络分别提取参考图像的特征,并确定第i组的各第二特征提取网络提取的样本图像的第二训练特征和参考图像第二训练特征之间的特征相似度。并根据该特征相似度与标注信息的差异确定第i组第二特征提取网络的网络损失。例如,可分别确定第i组的各第二特征提取网络对应的特征相似度与样本图像的标注之间的差异,并将所述差异确定第i组第二特征提取网络的第一网络损失L。在示例中,所述特征相似度可以用余弦相似度来表示,例如,输出特征和参考图像的输出特征之间的余弦相似度。本公开对网络损失的确定方法不做限制。
在示例中,可根据第i组第二特征提取网络的第一网络损失L,训练第i组第二特征提取网络。例如,可确定所述第一网络损失L对于第i组第二特征提取网络的各参数的梯度(p表示第i组第二特征提取网络的任一网络参数),并按照使网络损失最小化的方向,通过梯度下降法来调节各网络参数。
在一种可能的实现方式中,除了按照使网络损失最小化的方向调节网络参数之外,还可添加距离约束。第k个训练周期的第二训练特征之间的特征距离大于第k-1个训练周期的第二训练特征之间的特征距离,k为大于1的整数。
在示例中,以第i个组第二特征提取网络为例,可按照使第i组第二特征提取网络获取的第二训练特征之间的特征距离增大的方向,来调节网络参数。例如,第i个训练批次对第i组第二特征提取网络进行了多次训练(即,对网络参数进行了多次调节),其中,在第k次调节网络参数(第k个训练周期)后,第i组第二特征提取网络获取的第二训练特征之间的特征距离大于前一次调节网络参数(第k-1个训练周期)后第二训练特征之间的特征距离。所述特征距离可包括欧氏距离或余弦距离等,本公开对特征距离的定义不做限制。添加距离约束,可通过训练,使各第二特征提取网络之间的参数差异越来越大,各第二特征提取网络提取的第二训练特征之间的差异越来越大,即,使各第二特征提取网络分别提取样本图像的不同的特征。
通过这种方式,可使各第二特征提取网络分别提取样本图像的不同的特征,减少多个第二特征提取网络提取到相同或相似的第二训练特征的可能性,降低了多个特征信息之间的信息冗余,提高了处理效率,并使得多个第二特征提取网络提取的特征更丰富,有利于提高分类结果的准确性。
在一种可能的实现方式中,可通过上述方式确定第i个训练批次的每个训练周期的网络损失,并在每个训练周期中根据网络损失对第一特征提取网络及第i组第二特征提取网络的网络参数进行调节,并在满足第i个训练批次的训练条件的情况下,完成第i个训练批次的训练,随后可进行第i+1个训练批次的训练,即,第i组第二特征提取网络满足训练条件时,完成第i组第二特征提取网络的训练,随后进行第i+1组第二特征提取网络的训练。其中,所述第i个训练批次的训练条件可包括训练次数(即,训练周期数),例如,当训练次数达到预设次数时,满足第i个训练批次的训练条件。或者,所述第i个训练批次的训练条件可包括网络损失的大小或敛散性,例如,当所述网络损失小于或等于损失阈值或收敛于预设区间内时,满足第i个训练批次的训练条件。本公开对训练条件不做限制。
在一种可能的实现方式中,可通过与第i组第二特征提取网络的训练方法相同的方法,进行多组第二特征提取网络的训练,可将各组第二特征提取网络训练完成。在每组第二特征提取网络的训练中,仅调节该批次对应的第二特征提取网络的网络参数,其他第二特征提取网络的网络参数保持不变。
在一种可能的实现方式中,可将第一特征提取网络与M个第二特征提取网络,共同进行训练,其中,根据所述M个第二训练特征,分组训练N组特征提取网络,包括:根据所述第一训练特征及所述M个第二训练特征,分组训练所述N组第二特征提取网络及所述第一特征提取网络。在示例中,可对N组第二特征提取网络及所述第一特征提取网络分批次训练,即,分组训练。例如,第1组第二特征提取网络及第一特征提取网络可在第1个训练批次中进行训练,第2组第二特征提取网络及第一特征提取网络可在第2个训练批次中进行训练…第N组第二特征提取网络及第一特征提取网络可在第N个训练批次中进行训练。
在一种可能的实现方式中,以第i个训练批次为例,可根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络及所述第一特征提取网络的第i个训练批次的网络损失。例如,第一特征提取网络的预设层级的后续的网络层级可继续处理第一训练特征hl,可获得第一特征提取网络的输出特征hl+n(n为第一特征提取网络的预设层级之后的网络层级的数量),可根据hl+n、第i组第二特征提取网络获得的第二训练特征fi1、fi2……fiE,以及样本图像的标注信息来确定第一特征提取网络及第i组第二特征提取网络的第三网络损失。并根据第一特征提取网络及第i组第二特征提取网络的第三网络损失来调整第一特征提取网络及第i组第二特征提取网络的网络参数。例如,可通过梯度下降法来调节各网络参数。并在第i组第二特征提取网络及第一特征提取网络满足训练条件时,完成第i组第二特征提取网络的训练,随后进行第i+1组第二特征提取网络的训练。进一步地,在调节第一特征提取网络及第i组第二特征提取网络的网络参数时,其他第二特征提取网络的网络参数保持不变。
在一种可能的实现方式中,在各组第二特征提取网络及第一特征提取网络训练完成后,还可将所有第二特征提取网络和第一特征提取网络共同进行参数调整,在所述根据所述M个第二训练特征,分组训练N组第二特征提取网络之后,所述方法还包括:根据所述第一训练特征、所述M个第二训练特征以及样本图像的标注信息,分别确定所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失;根据所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失,调整所述第一特征提取网络和所述M个第二特征提取网络的网络参数。
在一种可能的实现方式中,可不再区分各组第二特征提取网络,并根据第一特征提取网络和所有第二特征提取网络(即,M个第二特征提取网络)的输出,以及样本图像的标注信息共同确定第三网络损失,并根据第三网络损失对第一特征提取网络和所有第二特征提取网络的网络参数进行调整。在调整预设次数,或该网络损失小于预设阈值或收敛于预设区间时,可获得训练后的第一特征提取网络和M个第二特征提取网络。该调整的调整幅度可小于分组训练时对各组第二特征提取网络及第一特征提取网络的网络参数的调整幅度,即,可进行所有特征提取网络的整体微调。且该调整可使第一特征提取网络及各组第二特征提取网络的特征提取过程更协调。训练后的第一特征提取网络和第二特征提取网络可用于对图像进行分类处理的过程中。
根据本公开的实施例的神经网络训练方法,可通过多个第二特征提取网络分别提取样本图像中的多种特征,提高神经网络的准确度,并可分组训练多个第二特征提取网络,使训练难度下降,提高神经网络的训练效率。并可使各第二特征提取网络分别提取样本图像的不同的特征,减少多个第二特征提取网络提取到相同或相似的第二训练特征的可能性,使得多个第二特征提取网络提取的特征更丰富,有利于在目标对象的相貌拍摄不清晰、姿态复杂、在图像中所占比例较小、背景较复杂或目标对象在图像中不完整等情况下,获得多种特征,提高分类结果的准确性。进一步地,相较于仅训练第一特征提取网络,通过多个第二特征提取网络与第一特征提取网络共同进行训练,可提升第一特征提取网络的性能,可在训练后仅使用第一特征提取网络对图像进行分类处理,提升第一特征提取网络使用的灵活性,以及提升第一特征提取网络的分类准确性。
在一种可能的实现方式中,可使用训练后的第一特征提取网络和第二特征提取网络对待处理图像进行分类处理。在示例中,可不使用第二特征提取网络,仅使用第一特征提取网络进行分类处理,也可不使用全部第二特征提取网络,仅使用第一特征提取网络和部分第二特征提取网络进行分类处理。所述方法还包括:至少通过所述的训练后的第一特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的第四特征;根据所述第四特征,获得对所述待处理图像中的目标对象的分类结果。
在一种可能的实现方式中,所述待处理图像中可包括一个或多个目标对象,所述目标对象可以是人、车辆、物品等。训练后的第一特征提取网络可对待处理图像进行特征提取。
在示例中,可仅通过第一特征提取网络对待处理图像进行特征提取,第一特征提取网络的输出结果可被确定为所述第四特征。也可通过第一特征提取网络以及第二特征提取网络对待处理图像进行特征提取。例如,可通过M个第二特征提取网络中的部分或全部以及第一特征提取网络对待处理图像进行特征提取,获取多个第四特征。至少通过所述训练后的第一特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的第五特征,包括:通过所述训练后的第一特征提取网络和所述训练后的至少一个第二特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的至少一个第四特征。
在一种可能的实现方式中,可仅通过第一特征提取网络,对待处理图像进行特征提取处理,获得第四特征。
在一种可能的实现方式中,可将待处理图像输入第一特征提取网络,第一特征提取网络的各网络层级可对待处理图像进行处理,并可将第一特征提取网络的预设层级的第一训练特征进行深拷贝,并将拷贝获得的第一训练特征的副本输入第二特征提取网络。并可通过M个第二特征提取网络及第一特征提取网络对待处理图像进行特征提取。可将第一特征提取网络的预设层级的第一特征进行深拷贝,获得M个第一特征,并分别输入M个第二特征提取网络。第一特征提取网络和M个第二特征提取网络可分别对第一特征或第一特征的副本进行特征提取处理,并获得第四特征。例如,可获得M+1个第四特征。
在一种可能的实现方式中,可通过M个第二特征提取网络中的一部分及第一特征提取网络对待处理图像进行特征提取,例如,可使用一个或多个第二特征提取网络及第一特征提取网络对待处理图像进行特征提取。第一特征提取网络和一个或多个第二特征提取网络可分别对第一特征或第一特征的副本进行特征提取处理,并获得多个第四特征。
在一种可能的实现方式中,可利用所述第四特征确定待处理图像中的目标对象的分类结果。例如,可确定第四特征与参考图像的特征之间的特征相似度(例如,余弦相似度等),如果所述特征相似度大于或等于相似度阈值,则可将待处理图像中与参考图像归为一类。或者,可利用第四特征将待处理图像与多个参考图像进行比对,例如,确定第四特征与各参考图像的参考特征的特征相似度,以确定与第四特征的特征相似度最高的目标参考特征,并将待处理图像与目标参考特征对应的参考图像归为同一类。又或者,将多个待处理图像的第四特征分别与一个或多个参考图像进行比对,以对多个待处理图像进行分类,例如,可分别确定一段视频中的每个视频帧的分类(例如,可将包括目标对象的视频帧归为一类,将不包括目标对象的视频帧归为另一类等)。
图3示出根据本公开实施例的神经网络训练方法的应用示意图,如图3所示,在神经网络的训练过程中,可将包括一个或多个目标对象的样本图像输入第一特征提取网络,第一特征提取网络的多个网络层级可依次进行特征提取处理,并在第l个网络层级获得第一训练特征hl。
在一种可能的实现方式中,可将第一训练特征hl进行深拷贝,并将获得的M个第一训练特征的副本分别输入M个第二特征提取网络G1,G2..GM,分别获得M个第二训练特征f1、f2……fM。并且,第一特征提取网络的第l个网络层级的后续网络层级可继续对第一训练特征进行处理,获得第一特征提取网络的输出特征hl+n。进一步地,可利用第二训练特征f1、f2……fM及第一特征提取网络的输出特征hl+n分组训练第二特征提取网络G1,G2..GM和第一特征提取网络。
在一种可能的实现方式中,可将第二特征提取网络G1,G2..GM分为N组,例如,第一组为G11、G12……G1Q,第二组为G21、G22……G2W,第i组为Gi1、Gi2……GiE,第N组为GN1、GN2……GNR。可分别训练每组第二特征提取网络及第一特征提取网络。
在一种可能的实现方式中,以第i个训练批次为例,第i个训练批次可训练第i组第二特征提取网络,在训练第i组第二特征提取网络时,其他组第二特征提取网络的网络参数保持不变。在训练第i组第二特征提取网络时,可根据第一特征提取网络的输出特征hl+n、第i组第二特征提取网络输出的第二训练特征fi1、fi2……fiE,以及样本图像的标注信息确定第i组第二特征提取网络及第一特征提取网络的网络损失,并根据网络损失调整第一特征提取网络及第i组第二特征提取网络的网络参数,例如,按照使网络损失最小化的方向调整网络参数。且在调整网络参数时,可添加距离约束,即,可按照使第i组第二特征提取网络获取的第二训练特征之间的特征距离增大的方向,来调节网络参数,各第二特征提取网络之间的参数差异越来越大,各第二特征提取网络提取的第二训练特征之间的差异越来越大,即,使各第二特征提取网络分别提取样本图像的不同的特征,有利于提取的特征的多样化。在满足第i个训练批次的训练条件时,第i个批次的训练完成。
在一种可能的实现方式中,可通过上述方法分别训练每组第二特征提取网络和第一特征提取网络。并在各组第二特征提取网络及第一特征提取网络训练完成后,将所有第二特征提取网络和第一特征提取网络共同进行参数调整,获得训练后的第一特征提取网络和第二特征提取网络。
在一种可能的实现方式中,在对待处理图像进行分类处理时,可至少通过训练后的第一特征提取网络提取待处理图像的第四特征。也可通过第一特征提取网络及一个或多个第二特征提取网络分别提取待处理图像的第四特征。进一步地,可通过第四特征来确定待处理图像中的目标对象的分类结果。例如,根据第四特征与参考图像的特征之间的特征相似度来确定待处理图像的分类结果。
在一种可能的实现方式中,所述神经网络训练方法和图像分类方法可用于对视频帧的分类处理中,例如,对监控视频中的某个行人进行查询,可通过第一特征提取网络及一个或多个第二特征提取网络来确定监控视频中各视频帧的分类,即,将包括该行人的视频帧分为一类,将不包括该行人的视频帧分为另一类等。本公开对所述神经网络训练方法和图像分类方法应用领域不做限制。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像分类装置和特征提取网络训练装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图4示出根据本公开实施例的图像分类装置的框图,如图4所示,所述装置包括:
第一提取模块11,用于将待处理图像输入第一特征提取网络,获得所述待处理图像的第一特征;
第二提取模块12,用于将所述第一特征分别输入M个第二特征提取网络,获得M个第二特征;
获得模块13,用于根据所述M个第二特征,获得所述待处理图像的分类结果。
在一种可能的实现方式中,所述第一特征为所述第一特征提取网络中的预设网络层级的输出特征,所述第二提取模块被进一步配置为:
通过所述第一特征提取网络中所述预设网络层级的后续层级对所述第一特征进行特征提取处理,获得第三特征;
根据所述第三特征及所述M个第二特征获得所述待处理图像的分类结果。
图5示出根据本公开实施例的特征提取网络训练装置的框图,如图5所示,所述装置包括:
第三提取模块21,用于将样本图像输入第一特征提取网络,获得所述样本图像的第一训练特征;
第四提取模块22,用于将所述第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征;
训练模块23,用于根据所述M个第二训练特征,训练M个第二特征提取网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
根据所述M个第二训练特征,分组训练N组第二特征提取网络,每组第二特征提取网络包括所述M个第二特征提取网络中的至少一个,M、N为整数且1<N≤M。
在一种可能的实现方式中,所述训练模块被进一步配置为:
根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络的第一网络损失,i为整数且1≤i≤N;
根据第i组第二特征提取网络的第一网络损失,训练所述第i组第二特征提取网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
根据所述第一训练特征及所述M个第二训练特征,分组训练所述N组第二特征提取网络及所述第一特征提取网络。
在一种可能的实现方式中,在第i组第二特征提取网络的训练过程中,第k个训练周期的第二训练特征之间的特征距离大于第k-1个训练周期的第二训练特征之间的特征距离,k为大于1的整数。
在一种可能的实现方式中,所述装置还包括:
确定模块,用于根据所述第一训练特征、所述M个第二训练特征以及样本图像的标注信息,分别确定所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失;
调整模块,用于根据所述第一特征提取网络和所述M个第二特征提取网络的第三网络损失,调整所述第一特征提取网络和所述M个第二特征提取网络的网络参数。
在一种可能的实现方式中,所述装置还包括:
第五提取模块,用于至少通过所述的训练后的第一特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的第四特征;
分类模块,用于根据所述第四特征,获得对所述待处理图像中的目标对象的分类结果。
在一种可能的实现方式中,所述第五提取模块被进一步配置为:
通过所述训练后的第一特征提取网络和所述训练后的至少一个第二特征提取网络对待处理图像进行特征提取处理,获得所述待处理图像的至少一个第四特征。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像分类方法,其特征在于,包括:
将待处理图像输入第一特征提取网络,获得所述待处理图像的第一特征;
将所述第一特征分别输入M个第二特征提取网络,获得M个第二特征;
根据所述M个第二特征,获得所述待处理图像的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述第一特征为所述第一特征提取网络中的预设网络层级的输出特征,所述根据所述M个第二特征,获得所述待处理图像的分类结果,包括:
通过所述第一特征提取网络中所述预设网络层级的后续层级对所述第一特征进行特征提取处理,获得第三特征;
根据所述第三特征及所述M个第二特征获得所述待处理图像的分类结果。
3.一种特征提取网络训练方法,其特征在于,包括:
将样本图像输入第一特征提取网络,获得所述样本图像的第一训练特征;
将所述第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征;
根据所述M个第二训练特征,训练M个第二特征提取网络。
4.根据权利要求3所述的方法,其特征在于,根据所述M个第二训练特征,训练M个第二特征提取网络,包括:
根据所述M个第二训练特征,分组训练N组第二特征提取网络,每组第二特征提取网络包括所述M个第二特征提取网络中的至少一个,M、N为整数且1<N≤M。
5.根据权利要求4所述的方法,其特征在于,根据所述M个第二训练特征,分组训练N组第二特征提取网络,包括:
根据第i组第二特征提取网络对应的第二训练特征及样本图像的标注信息,确定第i组第二特征提取网络的第一网络损失,i为整数且1≤i≤N;
根据第i组第二特征提取网络的第一网络损失,训练所述第i组第二特征提取网络。
6.根据权利要求4所述的方法,其特征在于,根据所述M个第二训练特征,分组训练N组特征提取网络,包括:
根据所述第一训练特征及所述M个第二训练特征,分组训练所述N组第二特征提取网络及所述第一特征提取网络。
7.一种图像分类装置,其特征在于,包括:
第一提取模块,用于将待处理图像输入第一特征提取网络,获得所述待处理图像的第一特征;
第二提取模块,用于将所述第一特征分别输入M个第二特征提取网络,获得M个第二特征;
获得模块,用于根据所述M个第二特征,获得所述待处理图像的分类结果。
8.一种特征提取网络训练装置,其特征在于,包括:
第三提取模块,用于将样本图像输入第一特征提取网络,获得所述样本图像的第一训练特征;
第四提取模块,用于将所述第一训练特征分别输入M个第二特征提取网络,获得M个第二训练特征;
训练模块,用于根据所述M个第二训练特征,训练M个第二特征提取网络。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至6中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702994.4A CN110414611A (zh) | 2019-07-31 | 2019-07-31 | 图像分类方法及装置、特征提取网络训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702994.4A CN110414611A (zh) | 2019-07-31 | 2019-07-31 | 图像分类方法及装置、特征提取网络训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414611A true CN110414611A (zh) | 2019-11-05 |
Family
ID=68364765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702994.4A Pending CN110414611A (zh) | 2019-07-31 | 2019-07-31 | 图像分类方法及装置、特征提取网络训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414611A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951923A (zh) * | 2017-03-21 | 2017-07-14 | 西北工业大学 | 一种基于多视角信息融合的机器人三维形状识别方法 |
CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
EP3451293A1 (en) * | 2017-08-28 | 2019-03-06 | Thomson Licensing | Method and apparatus for filtering with multi-branch deep learning |
CN109558781A (zh) * | 2018-08-02 | 2019-04-02 | 北京市商汤科技开发有限公司 | 一种多视角视频识别方法及装置、设备和存储介质 |
CN109871883A (zh) * | 2019-01-24 | 2019-06-11 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN109886114A (zh) * | 2019-01-18 | 2019-06-14 | 杭州电子科技大学 | 一种基于聚合变换特征提取策略的舰船目标检测方法 |
CN109982092A (zh) * | 2019-04-28 | 2019-07-05 | 华侨大学 | 基于多分支循环卷积神经网络的hevc帧间快速方法 |
-
2019
- 2019-07-31 CN CN201910702994.4A patent/CN110414611A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951923A (zh) * | 2017-03-21 | 2017-07-14 | 西北工业大学 | 一种基于多视角信息融合的机器人三维形状识别方法 |
EP3451293A1 (en) * | 2017-08-28 | 2019-03-06 | Thomson Licensing | Method and apparatus for filtering with multi-branch deep learning |
CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
CN108764207A (zh) * | 2018-06-07 | 2018-11-06 | 厦门大学 | 一种基于多任务卷积神经网络的人脸表情识别方法 |
CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
CN109558781A (zh) * | 2018-08-02 | 2019-04-02 | 北京市商汤科技开发有限公司 | 一种多视角视频识别方法及装置、设备和存储介质 |
CN109886114A (zh) * | 2019-01-18 | 2019-06-14 | 杭州电子科技大学 | 一种基于聚合变换特征提取策略的舰船目标检测方法 |
CN109871883A (zh) * | 2019-01-24 | 2019-06-11 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN109982092A (zh) * | 2019-04-28 | 2019-07-05 | 华侨大学 | 基于多分支循环卷积神经网络的hevc帧间快速方法 |
Non-Patent Citations (2)
Title |
---|
HONGMIN GAO ET AL.: "Multi-branch fusion network for hyperspectral image classification", 《KNOWLEDGE-BASED SYSTEMS》 * |
高旻健: "基于并联卷积神经网络的跨年龄人脸验证", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339680B (zh) | 人脸关键点定位方法及装置 | |
CN109816764A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109522910A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN110348537A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109241835A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109697734A (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
CN109618184A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN109800744A (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109871883A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109784255A (zh) | 神经网络训练方法及装置以及识别方法及装置 | |
CN110390394A (zh) | 批归一化数据的处理方法及装置、电子设备和存储介质 | |
CN110287874A (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN109658401A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109801270A (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN110298310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109087238A (zh) | 图像处理方法和装置、电子设备以及计算机可读存储介质 | |
CN109934275A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109615593A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109919300A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109829863A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110060215A (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |