CN111259967A - 图像分类及神经网络训练方法、装置、设备及存储介质 - Google Patents

图像分类及神经网络训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111259967A
CN111259967A CN202010054273.XA CN202010054273A CN111259967A CN 111259967 A CN111259967 A CN 111259967A CN 202010054273 A CN202010054273 A CN 202010054273A CN 111259967 A CN111259967 A CN 111259967A
Authority
CN
China
Prior art keywords
class
feature
image
determining
target
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.)
Granted
Application number
CN202010054273.XA
Other languages
English (en)
Other versions
CN111259967B (zh
Inventor
张潇
赵瑞
乔宇
李鸿升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202010054273.XA priority Critical patent/CN111259967B/zh
Publication of CN111259967A publication Critical patent/CN111259967A/zh
Application granted granted Critical
Publication of CN111259967B publication Critical patent/CN111259967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像分类及神经网络训练方法、装置、设备及存储介质，所述方法包括：通过目标神经网络对目标图像进行特征提取处理，获得目标图像的目标特征；根据第一参数，确定目标特征与各类别的图像的类中心特征的径向基距离；根据径向基距离，确定目标图像的目标类别。根据本公开的实施例的图像分类方法，可根据目标特征与各类别的类中心特征的径向基距离来确定目标图像的类别，可提升目标特征与各类别的类中心特征的分布效果，减小了分布的随机性，增强了同类特征的聚集效果，提升了目标图像的分类准确率。

Description

图像分类及神经网络训练方法、装置、设备及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及图像分类及神经网络训练方法、装置、设备及存储介质。
背景技术
图像分类技术是计算机视觉技术中的重要基础，诸如物体检测、图像语义分割和实例分割等技术均需要以图像分类技术作为基础。图像分类技术，是通过将使用图像采集设备获取的图像输入神经网络中，输出一组描述该图像是否属于特定类别或内容的概率。作为一种计算机视觉技术，图像分类能广泛应用于工业生产、异常检测、无人驾驶等领域。
图像分类技术的任务为判定相似度较高的不同对象之间的从属关系(如长相相似的人的判别、鸟类动物分类等)。在神经网络的训练过程中，需将获得的特征在欧氏空间上进行优化，然而，由于在欧氏空间上不能对训练样本进行合理的损失值分配，使得生成的特征分布效果并不理想，从而导致神经网络的训练效果不理想，分类准确率较低。
发明内容
本公开提出了一种图像分类及神经网络训练方法、装置、设备及存储介质。
根据本公开的一方面，提供了一种图像分类方法方法，包括：通过目标神经网络对目标图像进行特征提取处理，获得所述目标图像的目标特征；根据预设的第一参数，确定所述目标特征与图像集中各类别的图像的类中心特征的径向基距离，其中，所述径向基距离用于表示所述目标特征分别属于各类别的分类概率，所述图像集中包括至少一个类别的图像；根据所述径向基距离，确定所述目标图像的目标类别。
根据本公开的实施例的图像分类方法，可根据目标特征与各类别的类中心特征的径向基距离来确定目标图像的类别，可提升目标特征与各类别的类中心特征的分布效果，减小了分布的随机性，增强了同类特征的聚集效果，提升了目标图像的分类准确率。
在一种可能的实现方式中，根据预设的第一参数，确定所述目标特征与各类别的图像的类中心特征的径向基距离，包括：确定所述目标特征与各类别的类中心特征的欧氏距离；根据所述欧式距离以及所述第一参数，确定所述目标特征与各类别的类中心特征的径向基距离。
在一种可能的实现方式中，所述方法还包括：通过目标神经网络对图像集中的各图像分别进行特征提取处理，分别获得各图像的特征信息；在类别相同的图像的特征信息中，确定出各类别的类中心特征。
在一种可能的实现方式中，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：在各类别的图像中，确定出中心图像；将与各类别的中心图像对应的特征信息确定为各类别的类中心特征。
在一种可能的实现方式中，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：对各图像的特征信息进行聚类处理，获得各类别的类中心特征。
在一种可能的实现方式中，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：对各类别图像的特征信息分别进行加权平均处理，获得各类别的类中心特征。
根据本公开的一方面，提供了一种神经网络训练方法，包括：通过神经网络对第一样本图像进行特征提取处理，获得所述第一样本图像的第一特征；根据预设的第一参数，确定所述第一特征与训练样本集中各类别的样本图像分别对应的类中心特征的径向基距离；根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失；根据所述网络损失训练所述神经网络，在训练完成后得到目标神经网络。
根据本公开的实施例的神经网络训练方法，可根据径向基距离来确定网络损失，并优化神经网络，提升优化后的神经网络提取的特征的分布效果，提升神经网络的训练效果，并提升神经网络的分类准确率。
在一种可能的实现方式中，根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失，包括：根据所述第一样本图像的标注类别，确定所述第一特征与所述第一样本图像所属类别的类中心特征的第一径向基距离；根据所述第一径向基距离、所述第二参数以及所述第一特征与各类别的类中心特征的径向基距离，确定所述第一样本图像的分类概率；根据所述分类概率，确定所述神经网络的网络损失。
通过这种方式，可通过第一参数及径向基距离，为神经网络提取到的第一特征和第二特征添加距离约束，使第一特征与同类别的类中心特征的径向基距离不会过大，减小了随机性，减少了离群点，使各特征之间的距离较稳定，有利于减小训练难度，提升训练效果。并且，由于添加了距离约束，使得训练中后期的不同类特征之间的径向基距离与同类特征之间的径向基距离的相对差异缩小，可进一步优化同类图像的特征，无需额外训练和优化同类图像的特征。通过第二参数和径向基距离确定分类概率，进而通过分类概率确定网络损失，可使训练中后期的不同类特征之间的径向基距离与同类特征之间的径向基距离的相对差异缩小，同类特征的网络损失不会过小，从而可进一步优化同类图像的特征，提升训练效果。
在一种可能的实现方式中，所述方法还包括：根据所述样本图像集中多个样本图像的类别数量，确定所述第二参数。
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，用于通过目标神经网络对目标图像进行特征提取处理，获得所述目标图像的目标特征；第一确定模块，用于根据预设的第一参数，确定所述目标特征与图像集中各类别的图像的类中心特征的径向基距离，其中，所述径向基距离用于表示所述目标特征分别属于各类别的分类概率，所述图像集中包括至少一个类别的图像；第二确定模块，用于根据所述径向基距离，确定所述目标图像的目标类别。
在一种可能的实现方式中，所述第一确定模块进一步用于：确定所述目标特征与各类别的类中心特征的欧氏距离；根据所述欧式距离以及所述第一参数，确定所述目标特征与各类别的类中心特征的径向基距离。
在一种可能的实现方式中，所述装置还包括：第二提取模块，用于通过目标神经网络对图像集中的各图像分别进行特征提取处理，分别获得各图像的特征信息；第三确定模块，用于在类别相同的图像的特征信息中，确定出各类别的类中心特征。
在一种可能的实现方式中，所述第三确定模块进一步用于：在各类别的图像中，确定出中心图像；将与各类别的中心图像对应的特征信息确定为各类别的类中心特征。
在一种可能的实现方式中，所述第三确定模块进一步用于：对各图像的特征信息进行聚类处理，获得各类别的类中心特征。
在一种可能的实现方式中，所述第三确定模块进一步用于：对各类别图像的特征信息分别进行加权平均处理，获得各类别的类中心特征。
根据本公开的一方面，提供了一种图像神经网络训练装置，包括：第三提取模块，用于通过神经网络对第一样本图像进行特征提取处理，获得所述第一样本图像的第一特征；第四确定模块，用于根据预设的第一参数，确定所述第一特征与训练样本集中各类别的样本图像分别对应的类中心特征的径向基距离；第五确定模块，用于根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失；训练模块，用于根据所述网络损失训练所述神经网络，在训练完成后得到目标神经网络。
在一种可能的实现方式中，所述第五确定模块进一步用于：根据所述第一样本图像的标注类别，确定所述第一特征与所述第一样本图像所属类别的类中心特征的第一径向基距离；根据所述第一径向基距离、所述第二参数以及所述第一特征与各类别的类中心特征的径向基距离，确定所述第一样本图像的分类概率；根据所述分类概率，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述装置还包括：第六确定模块，用于根据所述样本图像集中多个样本图像的类别数量，确定所述第二参数。
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神经网络训练方法的流程图；
图3示出根据本公开实施例的训练初期的特征空间的示意图；
图4示出根据本公开实施例的训练中后期的特征空间的示意图；
图5示出根据本公开实施例的欧氏距离与径向基距离的关系图；
图6示出根据本公开实施例的第一径向基距离与分类概率的关系图；
图7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8示出根据本公开的实施例的图像分类装置的框图；
图9示出根据本公开的实施例的神经网络训练装置的框图；
图10示出根据本公开的实施例的电子装置的框图；
图11示出根据本公开的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，通过目标神经网络对目标图像进行特征提取处理，获得所述目标图像的目标特征；
在步骤S12中，根据预设的第一参数，确定所述目标特征与图像集中各类别的图像的类中心特征的径向基距离，其中，所述径向基距离用于表示所述目标特征分别属于各类别的分类概率，所述图像集中包括至少一个类别的图像；
在步骤S13中，根据所述径向基距离，确定所述目标图像的类别。
根据本公开的实施例的图像分类方法，可根据目标特征与各类别的类中心特征的径向基距离来确定目标图像的类别，可提升目标特征与各类别的类中心特征的分布效果，减小了分布的随机性，增强了同类特征的聚集效果，提升了目标图像的分类准确率。
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，该图像分类训练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，图像分类方法可被用于对人像进行分类的处理中，例如，可用于门禁设备、安防设备等对拍摄到的人像图像进行分类的处理中。例如，可通过神经网络提取目标图像的目标特征，并根据目标特征进行分类。在对一张目标图像进行分类时，通常已知至少一个类别的类中心特征，并通过目标神经网络提取该图像的目标特征，进而通过目标图像的特征与各类别的类中心特征的特征相似度来确定目标图像的类别。所述目标神经网络可以是卷积神经网络等深度学习神经网络，本公开对目标神经网络的网络结构不做限制。
在一种可能的实现方式中，门禁设备或安防设备中，可保存有包括多个参考图像的图像集(例如，样本图像集)，可用于与拍摄到的目标图像进行比对。图像集中的参考图像也可由神经网络进行特征提取，所提取的特征在特征空间中按照参考图像的类别聚成多个簇，每个簇为一类参考图像。例如，如果参考图像是人像图像，则每个簇是同一个人的参考图像的特征，进一步地，每个簇还可包括各类别的类中心特征，例如，证件照提取的特征，或者同类参考图像的特征加权平均获得的类中心特征。
在示例中，图像集中可包括多个类别的图像，例如，类别A，类别B，类别C……每个类别均具有类中心。所述方法还包括：通过目标神经网络对图像集中的各图像分别进行特征提取处理，分别获得各图像的特征信息；在类别相同的图像的特征信息中，确定出各类别的类中心特征。
在一种可能的实现方式中，图像集中可包括多个样本图像，例如，可包括多个人像图像，所述多个图像可分为多个类别，例如，图像集中包括多个人的人像图像，每个人的人像图像可被分为一类。可通过目标神经网络对各样本图像进行特征提取处理，获得每个样本图像的特征信息。所述特征信息可以是特征向量，本公开对特征信息的数据类型不做限制。
在一种可能的实现方式中，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：在各类别的图像中，确定出中心图像；将与各类别的中心图像对应的特征信息确定为各类别的类中心特征。
在示例中，每个类别中可选择具有代表性的图像作为中心图像(例如，如果图像集中的图像为人像图像，则可按照图像中的目标对象的身份进行分类，可选择每个目标对象的证件照或正面照作为该类别的中心图像)，由神经网络提取的中心图像的特征可被确定为类中心特征。
在一种可能的实现方式中，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：对各图像的特征信息进行聚类处理，获得各类别的类中心特征。
在示例中，可通过聚类等方式获得每个类别的类中心特征，例如，可通过神经网络分别提取各图像的特征信息，并对特征信息进行聚类处理，可获得各类别的类中心特征。
在一种可能的实现方式中，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：对各类别图像的特征信息分别进行加权平均处理，获得各类别的类中心特征。
在示例中，可通过加权平均的方式获得每个类别的类中心特征，例如，可通过神经网络分别提取各图像的特征信息，并对各类别的特征信息进行加权平均处理，可获得各类别的类中心特征。
在一种可能的实现方式中，在获得每个类别的类中心特征后，可根据目标图像的目标特征与各类别的类中心特征之间的特征相似度来确定该图像的类别，例如，可确定目标图像的目标特征与各类别的类中心特征的欧氏距离，并将与该图像的特征的欧氏距离最小的类中心特征所属的类别确定为该图像的类别。然而，使用欧氏距离来确定特征相似度可能造成特征信息在特征空间中的分布随机性较大，同类别的特征信息的聚集效果不佳，导致难以判断目标特征的类别，并且，使用欧氏距离确定特征相似度也不利于神经网络的训练。
在一种可能的实现方式中，在步骤S11中，可使用所述目标神经网络来提取目标图像的目标特征。并在步骤S12中，根据预设的第一参数确定目标特征与参考图像中各类的类中心特征的径向基距离。在示例中，可预设第一参数γ，并利用第一参数γ来计算目标特征与各类别的类中心特征的径向基距离。
在一种可能的实现方式中，步骤S12可包括：确定所述目标特征与各类别的类中心特征的欧氏距离；根据所述欧式距离以及所述第一参数，确定所述目标特征与各类别的类中心特征的径向基距离。
在一种可能的实现方式中，可确定目标特征与各类别的类中心特征的欧氏距离，在示例中，目标特征和类中心特征均可为特征向量，可利用以下公式(1)来确定目标特征和各类中心特征之间的欧氏距离：
Figure BDA0002372266900000061
其中，
Figure BDA0002372266900000062
为目标特征，其中，目标样本图像属于第i(i为正整数)个类别，
Figure BDA0002372266900000063
为第j(j为正整数)个类别的类中心特征，
Figure BDA0002372266900000064
为
Figure BDA0002372266900000065
的二范数。di,j为目标特征与第j个类别的类中心特征之间的欧氏距离。可根据以上公式(1)，确定目标特征与各类别的类中心特征的欧式距离。
在一种可能的实现方式中，可根据所述欧式距离di,j以及预设的第一参数γ来确定目标特征与各类别的类中心特征的径向基距离。例如，可根据以下公式(2)来确定目标特征与各类别的类中心特征的径向基距离：
Figure BDA0002372266900000066
其中，Ki,j为目标特征与第j个类别的类中心特征之间的径向基距离。通过指数形式的径向基距离以及预设的目标参数γ，可为径向基距离Ki,j添加距离约束，使得径向基距离Ki,j的取值范围为0＜Ki,j≤1，即，当欧式距离di,j趋于无穷大时，径向基距离Ki,j的极限为0，当欧式距离di,j为0，即
Figure BDA0002372266900000067
时，径向基距离Ki,j＝1。可根据以上公式(2)，确定目标特征与各类别的类中心特征的径向基距离。
在一种可能的实现方式中，在步骤S13中，根据目标特征与各类的类中心特征的径向基距离来确定目标图像的类别，例如，可确定与目标特征的径向基距离最小的类中心特征，并将该类中心特征所属的类别确定为目标图像的类别。例如，图像集中的图像和目标图像均为人像图像，图像集中的图像可按照身份分为多个类别，与目标特征的径向基距离最小的类中心特征所属的类别为身份A，则可将目标图像中的目标对象的身份确定为身份A。本公开对目标图像和图像集中的图像的类型以及分类方式不作限制。
在一种可能的实现方式中，在使用神经网络进行特征提取处理之前，可对神经网络进行训练。在示例中，可通过径向基距离确定神经网络的损失函数，以提升训练效果。
图2示出根据本公开实施例的神经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，通过神经网络对第一样本图像进行特征提取处理，获得所述第一样本图像的第一特征；
在步骤S22中，根据预设的第一参数，确定所述第一特征与训练样本集中各类别的样本图像分别对应的类中心特征的径向基距离；
在步骤S23中，根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失；
在步骤S24中，根据所述网络损失训练所述神经网络，在训练完成后得到目标神经网络。
根据本公开的实施例的神经网络训练方法，可根据径向基距离来确定网络损失，并优化神经网络，提升优化后的神经网络提取的特征的分布效果，提升神经网络的训练效果，并提升神经网络的分类准确率。
在一种可能的实现方式中，在训练神经网络的过程中，也根据欧氏距离来确定神经网络的网络损失。然而，在训练初期，神经网络的网络损失较大的阶段，网络参数不够准确，对图像提取的特征的误差较大，提取特征的随机性强，各类别的图像的特征随机分布在特征空间中，此时特征之间的欧式距离无法准确的表征各类别的特征之间的特征相似度。
图3示出根据本公开实施例的训练初期的特征空间的示意图，如图3所示，特征空间中的单位为该特征空间中的单位距离，由于随机性大，并且，各特征之间没有距离约束，同类别的图像的特征(例如，在一类图像中，该类别的类中心特征与该类别的任一图像的特征)在特征空间中的欧氏距离可能较大，且离群点较多，导致在训练过程中，训练难度较大，即，将同类特征的欧氏距离缩小的难度较大。另一方面，由于随机性强，不同类特征之间的欧氏距离可能较小，在训练过程中，训练难度也较大。即，各特征之间的欧氏距离不稳定。进一步地，可能造成在训练过程中类中心特征的偏差，例如，在特征空间中，目标对象的证件照的类中心特征不在该类别的所有特征所在区域的中心位置，或者，目标对象的证件照的类中心特征与该类别的所有特征的加权平均值有较大的偏差。
在一种可能的实现方式中，在训练中后期，神经网络的网络损失较小的阶段，网络参数经过优化，对图像提取的特征的误差较小，各类别的图像的特征在特征空间中可各自集中分布，例如，以簇状分布。
图4示出根据本公开实施例的训练中后期的特征空间的示意图，如图4所示，特征空间中的单位为该特征空间中的单位距离，在训练中后期，同类的图像的特征集中分布，即，同类图像的特征之间的欧式距离远小于不同类特征之间的欧氏距离，可导致网络损失很小，甚至消失，然而，同类图像的特征之间还有继续优化的空间，但在网络损失很小的情况下，难以继续优化同类图像的特征之间的欧氏距离。
综上所述，通过特征之间的欧式距离来确定网络损失可能导致神经网络的训练效果不佳。可对网络损失进行优化，例如，可通过特征之间的径向基距离来确定网络损失。
在一种可能的实现方式中，可通过包括至少一个类别的样本图像的样本图像集来训练神经网络。样本图像集中可包括多个样本图像，例如，可包括多个人像图像，所述多个样本图像可分为多个类别，例如，样本图像集中包括多个人的人像图像，每个人的人像图像可被分为一类。可通过神经网络对各样本图像进行特征提取处理，获得每个样本图像的第二特征。第二特征可以是特征向量，本公开对第二特征的数据类型不做限制。
在一种可能的实现方式中，可从各样本图像的第二特征中，确定出各类别的类中心特征。在示例中，可对各样本图像的第二特征进行聚类处理，获得各类别的类中心特征。或者，各类别的样本图像可具有标注类别，即，已知各样本图像的类别，可将相同类别的样本图像的第二特征进行加权平均，获得类中心特征。或者，可在类别中可选择具有代表性的样本图像作为类中心(例如，如果样本图像集中的样本图像为人像图像，可选择每个目标对象的证件照或正面照作为该类别的类中心)，由神经网络提取的类中心的特征可被确定为类中心特征。
在一种可能的实现方式中，在步骤S21中，第一样本图像所述的类别为所述样本图像集中的样本图像的类别中的一种。例如，第一样本图像为人像图像，则第一样本图像中的目标对象的身份可与样本图像集中的至少一个样本图像中的目标对象的身份一致。可通过神经网络对第一样本图像进行特征提取处理，可获得第一样本图像的第一特征。所述第一特征的数据类型与第二特征的数据类型一致，例如，第一特征与第二特征为维度相同的特征向量，以便于计算第一特征与第二特征之间的特征相似度。本公开对第一特征和第二特征的数据类型不做限制。
在一种可能的实现方式中，在步骤S22中，可确定第一样本图像的第一特征与样本图像集中各样本图像的类中心特征之间的径向基距离。可确定第一特征与各类的类中心特征的欧氏距离，例如，首先通过上述公式(1)确定第一特征与各类的类中心特征的欧氏距离di,j。并根据所述欧氏距离确定第一特征与各类的类中心特征的径向基距离，例如，通过上述公式(2)来确定第一特征与各类的类中心特征的径向基距离Ki,j。
图5示出根据本公开实施例的欧氏距离与径向基距离的关系图，欧式距离与径向基距离的单位为特征空间中的单位距离，图5中示出了第一参数γ在分别取值为0.8、1.2、1.6、2.0、2.4时，欧氏距离di,j与径向基距离Ki,j之间的关系曲线。随着欧氏距离di,j增大，径向基距离Ki,j减小，而第一参数γ决定了径向基距离减小的速度，随着第一参数γ增大，径向基距离减小的速度下降，即，第一参数γ越大，径向基距离减小的速度越慢。可预设第一参数γ的取值，例如，可使第一参数γ取1到2之间的数值。
通过这种方式，可通过第一参数及径向基距离，为神经网络提取到的第一特征和第二特征添加距离约束，使第一特征与同类别的类中心特征的径向基距离不会过大，减小了随机性，减少了离群点，使各特征之间的距离较稳定，有利于减小训练难度，提升训练效果。并且，由于添加了距离约束，使得训练中后期的不同类特征之间的径向基距离与同类特征之间的径向基距离的相对差异缩小，可进一步优化同类图像的特征，无需额外训练和优化同类图像的特征，提升训练效果。
在一种可能的实现方式中，在步骤S23中，可根据径向基距离以及预设的第二参数s，来确定神经网络的网络损失。在示例中，可预设第二参数s，并利用第二参数s以及用上述方法获得的径向基距离来确定神经网络的网络损失。
在一种可能的实现方式中，步骤S23可包括：根据所述第一样本图像的标注类别，确定所述第一特征与所述第一样本图像所属类别的类中心特征的第一径向基距离；根据所述第一径向基距离、所述第二参数以及所述第一特征与各类别的类中心特征的径向基距离，确定所述第一样本图像的分类概率；根据所述分类概率，确定所述神经网络的网络损失。
在一种可能的实现方式中，第一样本图像可具有标注类别，即，可标注第一样本图像的类别(准确的类别)，进一步地，可在各类别的类中心特征中，确定出第一样本图像的类别的类中心特征。第一样本图像的第一特征与第一样本图像的类别的类中心特征之间的径向基距离即为第一径向基距离Ki,i，即，当i＝j时的径向基距离Ki,j。
在一种可能的实现方式中，可计算第一样本图像的分类概率，例如，可利用第一径向基距离，第一特征与各类别的类中心特征的径向基距离以及预设的第二参数s，计算分类概率。
在示例中，可根据以下公式(3)计算分类概率：
Figure BDA0002372266900000091
其中，yi表示第i个类别，
Figure BDA0002372266900000092
为所述分类概率，即第一样本图像属于其标注类别的概率，C为类别数量，例如，样本图像集中多个样本图像的类别数量。
图6示出根据本公开实施例的第一径向基距离与分类概率的关系图，第一径向基距离的单位为特征空间中的单位距离，图6中示出了第二参数s在分别取值8、26、32、64、128时，第一径向基距离Ki,i与分类概率之间的关系曲线。随着第一径向基距离Ki,i增大，分类概率Pi,yi增大，而第二参数s决定了分类概率增大的速度，随着第二参数s增大，分类概率的增大速度上升，即，第二参数s越大，分类概率增大的速度越快。由于第一径向基距离的取值范围为0＜Ki,i≤1，因此，需要预设合适的第二参数s，使第一径向基距离Ki,i在0和1之间变化时，分类概率的取值范围能够覆盖0到1的范围。例如，如图6所示，当第二参数s的取值为8时，在第一径向基距离的取值范围内，分类概率的取值范围无法覆盖0到1，因此，第二参数s取值为8是不合适的，可设置其他的数值，例如，16、32等。
在一种可能的实现方式中，第二参数s还可根据计算得出，所述方法还包括：根据所述样本图像集中的至少一个样本图像的类别数量，确定所述第二参数。在示例中，可根据以下公式(4)来确定第二参数：
s＝2ln (C-1) (4)
其中，C为类别数量。
在一种可能的实现方式中，可根据第一样本图像属于其标注类别的分类概率，来确定神经网络的网络损失，例如，径向基指数归一化交叉熵损失。
在示例中，可根据以下公式(5)来确定神经网络的网络损失：
Figure BDA0002372266900000093
即，径向基指数归一化交叉熵损失
Figure BDA0002372266900000094
的取值为分类概率Pi,yi的负对数，对数的底数可以是任意设置的正数，例如，10。本公开对对数的底数不做限制。
通过这种方式，通过第二参数和径向基距离确定分类概率，进而通过分类概率确定网络损失，可使训练中后期的不同类特征之间的径向基距离与同类特征之间的径向基距离的相对差异缩小，同类特征的网络损失不会过小，从而可进一步优化同类图像的特征，提升训练效果。
在一种可能的实现方式中，在步骤S24中，可根据网络损失来训练神经网络。在示例中，可按照使网络损失最小化的方向调整神经网络的网络参数，例如，可利用梯度下降法将网络损失进行反向传播，以调整神经网络的网络参数。并在满足训练条件时，获得训练后的目标神经网络。所述训练条件可以是调整次数，可将神经网络的网络参数调整预定次数。又例如，训练条件可以是网络损失的大小或敛散性，可在网络损失降低到一定程度或收敛于一定阈值内时，停止调整，获得训练后的目标神经网络，并可将训练后的目标神经网络用于分类处理中。
根据本公开的实施例的神经网络训练方法，可通过第一参数及径向基距离，为神经网络提取到的第一特征和第二特征添加距离约束，使第一特征与同类别的类中心特征的径向基距离不会过大，减小了随机性，减少了离群点，使个特征之间的距离较稳定，有利于减小训练难度，提升优化后的神经网络提取的特征的分布效果，提升训练效果。并且由于添加了距离约束，使得训练中后期的不同类特征之间的径向基距离与同类特征之间的径向基距离的相对差异缩小，同类特征的网络损失不会过小，可进一步优化同类图像的特征，无需额外训练和优化同类图像的特征，提升训练效果，并提升神经网络的分类准确率。
图7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，在训练过程中，可首先将样本图像集中的样本图像进行分类，并获取每个类别的类中心特征。样本图像集中可包括多个样本图像，例如，可包括多个人像图像，每个人的人像图像可被分为一类。可通过神经网络分别对各样本图像分别进行特征提取处理，分别获得各样本图像的第二特征，并在各类别的第二特征中，确定出各类别的类中心特征，例如，样本图像为人像图像，可选择每个目标对象的证件照或正面照作为该类别的类中心，并将类中心的第二特征确定为类中心特征。
在一种可能的实现方式中，可通过神经网络第一样本图像进行特征提取，获得第一样本图像的第一特征，并可根据公式(1)来确定第一特征和各类中心特征之间的欧氏距离，进一步地，可预设第一参数γ，并根据公式(2)来确定第一特征和各类中心特征之间的径向基距离。
在一种可能的实现方式中，可根据公式(4)来计算第二参数，并根据第一特征和各类中心特征之间的径向基距离，通过公式(3)来计算第一样本图像的分类概率，进一步地，可根据公式(5)来计算神经网络的网络损失。
在一种可能的实现方式中，可根据网络损失来调整神经网络的网络参数，并在满足训练条件时，获得训练后的神经网络。通过该方式训练后的目标神经网络在分类处理中的性能更佳。
在一种可能的实现方式中，在图7中，f图示出了通过上述方法训练的目标神经网络对样本图像集中的样本图像进行特征提取获得的特征在特征空间中的分布，a图、b图、c图、d图和e图分别示出了通过其他方法训练的神经网络对样本图像集中的样本图像进行特征提取获得的特征在特征空间中的分布。如图所示，相较于其他图，f图中的同类别的特征分布更集中，与类中心特征的径向基距离更小，分类效果更显著，且分类准确率f图中分类准确率(99.20％)高于用其他方式训练的神经网络进行分类的分类准确率(98.97％、99.04％、99.05％、98.93％和98.74％)。
在一种可能的实现方式中，所述神经网络训练方法可用于对大量的图像进行分类，对工业生产进行异常检测，也可用于基于图像的搜索引擎、相册分类等，或者可帮助目标检测、语义分割等方法提升性能。本公开对所述神经网络训练方法的应用领域不做限制。
图8示出根据本公开的实施例的图像分类装置的框图，如图8所示，所述装置包括：
第一提取模块11，用于通过目标神经网络对目标图像进行特征提取处理，获得所述目标图像的目标特征；第一确定模块12，用于根据预设的第一参数，确定所述目标特征与图像集中各类别的图像的类中心特征的径向基距离，其中，所述径向基距离用于表示所述目标特征分别属于各类别的分类概率，所述图像集中包括至少一个类别的图像；第二确定模块13，用于根据所述径向基距离，确定所述目标图像的目标类别。
在一种可能的实现方式中，所述第一确定模块进一步用于：确定所述目标特征与各类别的类中心特征的欧氏距离；根据所述欧式距离以及所述第一参数，确定所述目标特征与各类别的类中心特征的径向基距离。
在一种可能的实现方式中，所述装置还包括：第二提取模块，用于通过目标神经网络对图像集中的各图像分别进行特征提取处理，分别获得各图像的特征信息；第三确定模块，用于在类别相同的图像的特征信息中，确定出各类别的类中心特征。
在一种可能的实现方式中，所述第三确定模块进一步用于：在各类别的图像中，确定出中心图像；将与各类别的中心图像对应的特征信息确定为各类别的类中心特征。
在一种可能的实现方式中，所述第三确定模块进一步用于：对各图像的特征信息进行聚类处理，获得各类别的类中心特征。
在一种可能的实现方式中，所述第三确定模块进一步用于：对各类别图像的特征信息分别进行加权平均处理，获得各类别的类中心特征。
图9示出根据本公开的实施例的神经网络训练装置的框图，如图9所示，所述装置包括：第三提取模块21，用于通过神经网络对第一样本图像进行特征提取处理，获得所述第一样本图像的第一特征；第四确定模块22，用于根据预设的第一参数，确定所述第一特征与训练样本集中各类别的样本图像分别对应的类中心特征的径向基距离；第五确定模块23，用于根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失；训练模块24，用于根据所述网络损失训练所述神经网络，在训练完成后得到目标神经网络。
在一种可能的实现方式中，所述第五确定模块进一步用于：根据所述第一样本图像的标注类别，确定所述第一特征与所述第一样本图像所属类别的类中心特征的第一径向基距离；根据所述第一径向基距离、所述第二参数以及所述第一特征与各类别的类中心特征的径向基距离，确定所述第一样本图像的分类概率；根据所述分类概率，确定所述神经网络的网络损失。
在一种可能的实现方式中，所述装置还包括：第六确定模块，用于根据所述样本图像集中多个样本图像的类别数量，确定所述第二参数。
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、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图像分类方法，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。
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10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10，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。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
图11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11，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 (20)

1.一种图像分类方法，其特征在于，包括：
通过目标神经网络对目标图像进行特征提取处理，获得所述目标图像的目标特征；
根据预设的第一参数，确定所述目标特征与图像集中各类别的图像的类中心特征的径向基距离，其中，所述径向基距离用于表示所述目标特征分别属于各类别的分类概率，所述图像集中包括至少一个类别的图像；
根据所述径向基距离，确定所述目标图像的目标类别。
2.根据权利要求1所述的方法，其特征在于，根据预设的第一参数，确定所述目标特征与各类别的图像的类中心特征的径向基距离，包括：
确定所述目标特征与各类别的类中心特征的欧氏距离；
根据所述欧式距离以及所述第一参数，确定所述目标特征与各类别的类中心特征的径向基距离。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
通过目标神经网络对图像集中的各图像分别进行特征提取处理，分别获得各图像的特征信息；
在类别相同的图像的特征信息中，确定出各类别的类中心特征。
4.根据权利要求3所述的方法，其特征在于，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：
在各类别的图像中，确定出中心图像；
将与各类别的中心图像对应的特征信息确定为各类别的类中心特征。
5.根据权利要求3所述的方法，其特征在于，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：
对各图像的特征信息进行聚类处理，获得各类别的类中心特征。
6.根据权利要求3所述的方法，其特征在于，在类别相同的图像的特征信息中，确定出各类别的类中心特征，包括：
对各类别图像的特征信息分别进行加权平均处理，获得各类别的类中心特征。
7.一种神经网络训练方法，其特征在于，包括：
通过神经网络对第一样本图像进行特征提取处理，获得所述第一样本图像的第一特征；
根据预设的第一参数，确定所述第一特征与训练样本集中各类别的样本图像分别对应的类中心特征的径向基距离；
根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失；
根据所述网络损失训练所述神经网络，在训练完成后得到目标神经网络。
8.根据权利要求7所述的方法，其特征在于，根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失，包括：
根据所述第一样本图像的标注类别，确定所述第一特征与所述第一样本图像所属类别的类中心特征的第一径向基距离；
根据所述第一径向基距离、所述第二参数以及所述第一特征与各类别的类中心特征的径向基距离，确定所述第一样本图像的分类概率；
根据所述分类概率，确定所述神经网络的网络损失。
9.根据权利要求7所述的方法，其特征在于，所述方法还包括：
根据所述样本图像集中多个样本图像的类别数量，确定所述第二参数。
10.一种图像分类装置，其特征在于，包括：
第一提取模块，用于通过目标神经网络对目标图像进行特征提取处理，获得所述目标图像的目标特征；
第一确定模块，用于根据预设的第一参数，确定所述目标特征与图像集中各类别的图像的类中心特征的径向基距离，其中，所述径向基距离用于表示所述目标特征分别属于各类别的分类概率，所述图像集中包括至少一个类别的图像；
第二确定模块，用于根据所述径向基距离，确定所述目标图像的目标类别。
11.根据权利要求10所述的装置，其特征在于，所述第一确定模块进一步用于：
确定所述目标特征与各类别的类中心特征的欧氏距离；
根据所述欧式距离以及所述第一参数，确定所述目标特征与各类别的类中心特征的径向基距离。
12.根据权利要求10或11所述的装置，其特征在于，所述装置还包括：
第二提取模块，用于通过目标神经网络对图像集中的各图像分别进行特征提取处理，分别获得各图像的特征信息；
第三确定模块，用于在类别相同的图像的特征信息中，确定出各类别的类中心特征。
13.根据权利要求12所述的装置，其特征在于，所述第三确定模块进一步用于：
在各类别的图像中，确定出中心图像；
将与各类别的中心图像对应的特征信息确定为各类别的类中心特征。
14.根据权利要求12所述的装置，其特征在于，所述第三确定模块进一步用于：
对各图像的特征信息进行聚类处理，获得各类别的类中心特征。
15.根据权利要求12所述的装置，其特征在于，所述第三确定模块进一步用于：
对各类别图像的特征信息分别进行加权平均处理，获得各类别的类中心特征。
16.一种神经网络训练装置，其特征在于，包括：
第三提取模块，用于通过神经网络对第一样本图像进行特征提取处理，获得所述第一样本图像的第一特征；
第四确定模块，用于根据预设的第一参数，确定所述第一特征与训练样本集中各类别的样本图像分别对应的类中心特征的径向基距离；
第五确定模块，用于根据预设的第二参数以及所述径向基距离，确定所述神经网络的网络损失；
训练模块，用于根据所述网络损失训练所述神经网络，在训练完成后得到目标神经网络。
17.根据权利要求16所述的装置，其特征在于，所述第五确定模块进一步用于：
根据所述第一样本图像的标注类别，确定所述第一特征与所述第一样本图像所属类别的类中心特征的第一径向基距离；
根据所述第一径向基距离、所述第二参数以及所述第一特征与各类别的类中心特征的径向基距离，确定所述第一样本图像的分类概率；
根据所述分类概率，确定所述神经网络的网络损失。
18.根据权利要求16所述的装置，其特征在于，所述装置还包括：
第六确定模块，用于根据所述样本图像集中多个样本图像的类别数量，确定所述第二参数。
19.一种电子设备，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9中任意一项所述的方法。
20.一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9中任意一项所述的方法。
CN202010054273.XA 2020-01-17 2020-01-17 图像分类及神经网络训练方法、装置、设备及存储介质 Active CN111259967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010054273.XA CN111259967B (zh) 2020-01-17 2020-01-17 图像分类及神经网络训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010054273.XA CN111259967B (zh) 2020-01-17 2020-01-17 图像分类及神经网络训练方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111259967A true CN111259967A (zh) 2020-06-09
CN111259967B CN111259967B (zh) 2024-03-08

Family

ID=70947114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010054273.XA Active CN111259967B (zh) 2020-01-17 2020-01-17 图像分类及神经网络训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111259967B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860588A (zh) * 2020-06-12 2020-10-30 华为技术有限公司 一种用于图神经网络的训练方法以及相关设备
CN112307934A (zh) * 2020-10-27 2021-02-02 深圳市商汤科技有限公司 图像检测方法及相关模型的训练方法、装置、设备、介质
CN113722524A (zh) * 2021-07-16 2021-11-30 上海通办信息服务有限公司 基于少量图像样本对大量图像进行归类的方法及装置
CN113793325A (zh) * 2021-09-22 2021-12-14 北京市商汤科技开发有限公司 一种检测方法、装置、计算机设备和存储介质
WO2022042043A1 (zh) * 2020-08-27 2022-03-03 京东方科技集团股份有限公司 机器学习模型的训练方法、装置和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063936A (zh) * 2018-10-12 2018-12-21 南京千智电气科技有限公司 一种建立风电功率预测模型的方法及装置
CN109656737A (zh) * 2018-10-31 2019-04-19 阿里巴巴集团控股有限公司 异常信息的统计方法及装置
CN109829514A (zh) * 2019-03-07 2019-05-31 西安电子科技大学 一种网络入侵检测方法、装置、计算机设备和存储介质
WO2019127451A1 (zh) * 2017-12-29 2019-07-04 深圳前海达闼云端智能科技有限公司 图像识别方法及云端***
CN109978041A (zh) * 2019-03-19 2019-07-05 上海理工大学 一种基于交替更新卷积神经网络的高光谱图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019127451A1 (zh) * 2017-12-29 2019-07-04 深圳前海达闼云端智能科技有限公司 图像识别方法及云端***
CN109063936A (zh) * 2018-10-12 2018-12-21 南京千智电气科技有限公司 一种建立风电功率预测模型的方法及装置
CN109656737A (zh) * 2018-10-31 2019-04-19 阿里巴巴集团控股有限公司 异常信息的统计方法及装置
CN109829514A (zh) * 2019-03-07 2019-05-31 西安电子科技大学 一种网络入侵检测方法、装置、计算机设备和存储介质
CN109978041A (zh) * 2019-03-19 2019-07-05 上海理工大学 一种基于交替更新卷积神经网络的高光谱图像分类方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860588A (zh) * 2020-06-12 2020-10-30 华为技术有限公司 一种用于图神经网络的训练方法以及相关设备
WO2022042043A1 (zh) * 2020-08-27 2022-03-03 京东方科技集团股份有限公司 机器学习模型的训练方法、装置和电子设备
CN112307934A (zh) * 2020-10-27 2021-02-02 深圳市商汤科技有限公司 图像检测方法及相关模型的训练方法、装置、设备、介质
CN113722524A (zh) * 2021-07-16 2021-11-30 上海通办信息服务有限公司 基于少量图像样本对大量图像进行归类的方法及装置
CN113793325A (zh) * 2021-09-22 2021-12-14 北京市商汤科技开发有限公司 一种检测方法、装置、计算机设备和存储介质
WO2023045350A1 (zh) * 2021-09-22 2023-03-30 上海商汤智能科技有限公司 检测方法、装置、计算机设备、存储介质和程序产品
CN113793325B (zh) * 2021-09-22 2024-05-24 北京市商汤科技开发有限公司 一种检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN111259967B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
TWI759722B (zh) 神經網路訓練方法及裝置、圖像處理方法及裝置、電子設備和計算機可讀存儲介質
CN107491541B (zh) 文本分类方法及装置
CN111310616B (zh) 图像处理方法及装置、电子设备和存储介质
CN109089133B (zh) 视频处理方法及装置、电子设备和存储介质
CN111259967B (zh) 图像分类及神经网络训练方法、装置、设备及存储介质
CN110781957B (zh) 图像处理方法及装置、电子设备和存储介质
CN110472091B (zh) 图像处理方法及装置、电子设备和存储介质
CN110598504B (zh) 图像识别方法及装置、电子设备和存储介质
CN110458218B (zh) 图像分类方法及装置、分类网络训练方法及装置
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
WO2021036382A1 (zh) 图像处理方法及装置、电子设备和存储介质
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
CN111435432B (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
CN110909815A (zh) 神经网络训练、图像处理方法、装置及电子设备
CN112101238A (zh) 聚类方法及装置、电子设备和存储介质
CN110659690B (zh) 神经网络的构建方法及装置、电子设备和存储介质
CN111582383B (zh) 属性识别方法及装置、电子设备和存储介质
JP2022522551A (ja) 画像処理方法及び装置、電子機器並びに記憶媒体
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN109344703B (zh) 对象检测方法及装置、电子设备和存储介质
CN111523599B (zh) 目标检测方法及装置、电子设备和存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN110633715B (zh) 图像处理方法、网络训练方法及装置、和电子设备

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
GR01 Patent grant
GR01 Patent grant