[发明专利]图片分类方法及装置

说明书

技术领域

本公开涉及图像识别技术领域，尤其涉及一种图片分类方法及装置。

背景技术

卷积神经网络是近年来广泛应用于图像处理等领域的一种高效识别算法，是神经网络的一种结构。当卷积神经网络的结构搭建好后，卷积神经网络的训练与多层神经网络训练方式相同。如果直接应用卷积神经网络对图片进行分类识别，在卷积神经网络的最后一个全连接层后得到的特征直接输入到卷积神经网络的softmax层，softmax层的分类器应用多分类逻辑回归进行分类，分类方式较为单一，致使对图片的分类精确度不高。

发明内容

为克服相关技术中存在的问题，本公开实施例提供一种图片分类方法及装置，用以提高对图片分类的精确度。

根据本公开实施例的第一方面，提供一种图片分类方法，包括：

将原始图片输入到训练后的卷积神经网络；

通过所述卷积神经网络的全连接层确定所述原始图片的特征参数；

将所述特征参数输入到训练后的支持向量机中，通过所述支持向量机对所述原始图片进行分类。

在一实施例中，所述将所述特征参数输入到支持向量机中，通过所述支持向量机对所述原始图片进行分类，可包括：

在所述支持向量机中确定与所述特征参数相对应的核函数；

根据所述核函数对所述原始图片进行分类。

在一实施例中，所述方法还可包括：

通过一组图片对所述卷积神经网络进行训练，确定所述卷积神经网络的全连接层参数，所述全连接层参数作为所述支持向量机的输入参数；

通过所述全连接层参数对所述支持向量机进行训练。

根据本公开实施例的第二方面，提供一种图片分类装置，包括：

输入模块，被配置为将原始图片输入到训练后的卷积神经网络；

确定模块，被配置为通过所述卷积神经网络的全连接层确定所述输入模块输入的所述原始图片的特征参数；

分类模块，被配置为将所述确定模块确定的所述特征参数输入到训练后的支持向量机中，通过所述支持向量机对所述原始图片进行分类。

在一实施例中，所述分类模块可包括：

确定子模块，被配置为在所述支持向量机中确定与所述确定模块确定的所述特征参数相对应的核函数；

分类子模块，被配置为根据所述确定子模块确定的所述核函数对所述原始图片进行分类。

在一实施例中，所述装置还可包括：

第一训练模块，被配置为通过一组图片对所述输入模块需要的所述卷积神经网络进行训练，确定所述卷积神经网络的全连接层参数，所述全连接层参数作为所述支持向量机的输入参数；

第二训练模块，被配置为通过所述第一训练模块训练的得到的所述全连接层参数对所述支持向量机进行训练。

根据本公开实施例的第三方面，提供一种图片分类装置，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：

将原始图片输入到训练后的卷积神经网络；

通过所述卷积神经网络的全连接层确定所述原始图片的特征参数；

将所述特征参数输入到训练后的支持向量机中，通过所述支持向量机对所述原始图片进行分类。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将卷积神经网络的全连接层的特征参数输入到训练后的支持向量机中，通过支持向量机对原始图片进行分类，由于支持向量机有各种核函数可选，因此可以针对不同类的特征参数选取更合适的核函数，避免了采用单一的softmax分类器，从而可以使图片具有更好的识别效果，提高图片分类的精确度。

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，并不能限制本公开。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1A是根据一示例性实施例示出的图片分类方法的流程图。

图1B是根据一示例性实施例示出的卷积神经网络与支持向量机的示意图。

图2是根据一示例性实施例一示出的图片分类方法的流程图。

图3是根据一示例性实施例二示出的图片分类方法的流程图。

图4是根据一示例性实施例示出的一种图片分类装置的框图。

图5是根据一示例性实施例示出的另一种图片分类装置的框图。

图6是根据一示例性实施例示出的一种适用于图片分类装置的框图。

具体实施方式