[发明专利]一种细粒度图像分类方法、装置及电子设备

权利要求书

1.一种细粒度图像分类方法，其特征在于，包括：

提取目标图像的图像特征，并将所述图像特征处理为对应于不同方向的向量序列；

通过预设的映射函数将各个向量序列映射为部位特征序列；其中，所述映射函数包括循环神经网络、长短时记忆网络、注意力模型中的一个；

确定所述图像特征的全局特征；

依据所述部位特征序列和所述全局特征对所述目标图像进行分类；

其中，所述将所述图像特征处理为对应于不同方向的向量序列，包括：

基于预设的第一图像处理核和第一步长，从所述图像特征的一端开始沿着横向对所述图像特征进行图像压缩处理，得到横向向量序列；

基于预设的第二图像处理核和第二步长，从所述图像特征的一端开始沿着纵向对所述图像特征进行图像压缩处理，得到纵向向量序列；

所述第一图像处理核为卷积核，与所述图像特征等高，所述第二图像处理核为卷积核，与所述图像特征等宽；或者，所述第一图像处理核为池化核，与所述图像特征等高，所述第二图像处理核为池化核，与所述图像特征等宽。

2.根据权利要求1所述的方法，其特征在于，所述依据所述部位特征序列和所述全局特征对所述目标图像进行分类，包括：

将所述部位特征序列和所述全局特征进行融合，得到融合后的特征；

依据融合后的特征对所述目标图像进行分类。

3.根据权利要求1所述的方法，其特征在于，所述通过预设的映射函数将各个向量序列映射为部位特征序列，包括：

针对每一向量序列，将该向量序列输入至用于确定部位特征序列的序列模型，以由所述序列模型基于该向量序列计算得到该向量序列的部位特征序列。

4.根据权利要求2所述的方法，其特征在于，所述确定所述图像特征的全局特征，包括：

对所述图像特征进行全局池化处理；

将全局池化处理后的图像特征确定为全局特征。

5.根据权利要求2所述的方法，其特征在于，所述将所述部位特征序列和所述全局特征进行融合，得到融合后的特征，包括：

对所述部位特征序列中的每一部位特征和所述全局特征进行加权，将加权后得到的特征作为融合后的特征；或者，

将所述部位特征序列的每一部位特征和所述全局特征沿特征通道方向叠加得到特征和，将所述特征和作为融合后的特征。

6.根据权利要求1、3至5中任一项所述的方法，其特征在于，

将所述目标图像输入到细粒度图像分类的网络模型，由所述网络模型的基础卷积网络提取所述目标图像的图像特征；

由所述网络模型的横向部位特征学习网络将所述图像特征处理为横向向量序列，以及确定该横向向量序列的部位特征序列；

由所述网络模型的纵向部位特征学习网络将所述图像特征处理为纵向向量序列，以及确定该纵向向量序列的部位特征序列；

由所述网络模型的全局特征学习网络确定所述图像特征的全局特征；

由所述网络模型的特征融合网络将所述部位特征序列和所述全局特征进行融合，得到融合后的特征；

由所述网络模型的分类网络依据融合后的特征对所述目标图像进行分类。