[发明专利]图片分类方法、装置及计算机可读存储介质

权利要求书

1.一种图片分类方法，其特征在于，包括：

获取各待分类图片；

将各所述待分类图片输入特征提取模型，所述特征提取模型是基于深度卷积神经网络的特征提取器，通过所述深度卷积神经网络将各所述待分类图片抽象为高维空间中具有类内汇聚、类间分离特性的特征向量；其中，将所述神经网络的损失函数设置为Softmax Loss和Center Loss的带权和，利用所述Softmax对不同类别的易划分性和所述Center Loss的高内聚性实现所述特征向量的提取；

获取各所述待分类图片的特征向量在特征空间的分布情况，所述特征空间的分布情况是经过降维处理后得到的二维特征空间的分布情况；其中，采用t-SNE算法将所述特征提取模型提取的高维特征向量降到二维空间并显示；

根据所述分布情况，对所述特征空间进行类别的有限域划分，排除有限域外的负样本，得到图片分类结果；

所述根据所述分布情况，对所述特征空间进行类别的有限域划分，排除有限域外的负样本，得到图片分类结果，包括：

根据各所述待分类图片的特征向量在特征空间的分布情况，对所述特征空间进行有限域划分，得到各类别对应的有限域；所述有限域划分的方式包括：基于各类别在特征空间中的中心距离进行所述有限域划分、基于单类支持向量机进行有限域划分、基于核函数的分布密度估计进行有限域划分、基于近邻算法进行有限域划分；

排除所述有限域外的负样本，根据确定的各所述有限域内各图片，得到图片分类结果。

2.根据权利要求1所述的图片分类方法，其特征在于，在所述根据所述分布情况，对所述特征空间进行类别的有限域划分时，使得各所述类别的正样本落在各所述有限域内，各所述类别的负样本落在各所述有限域外；所述正样本指的是目标图片，所述负样本指的是非目标图片。

3.根据权利要求1所述的图片分类方法，其特征在于，根据各所述待分类图片的特征向量在特征空间的分布情况，对所述特征空间进行有限域划分，得到各类别对应的有限域，包括：

根据待分类图片的特征向量在特征空间的分布情况，确定各类别在特征空间的中心位置；

以各所述中心位置为球心，预设距离为半径，对所述特征空间进行划分；

所述根据确定的各有限域内各图片，得到图片分类结果，包括：根据位于各对应的球体内的图片，得到各类别的图片分类结果。

4.根据权利要求1所述的图片分类方法，其特征在于，根据各所述待分类图片的特征向量在特征空间的分布情况，对所述特征空间进行有限域划分，得到各类别对应的有限域，包括：

获取各类别的特征空间的带核密度估计函数和阈值；

根据所述带核密度估计函数，计算各类别的所述特征空间的各待分类图片对应的点的密度；

根据所述密度和所述阈值对所述特征空间进行有限域划分；

所述根据确定的各有限域内各图片，得到图片分类结果，包括：根据密度大于所述阈值的图片，得到各类别的图片的分类结果。

5.根据权利要求1所述的图片分类方法，其特征在于，根据各所述待分类图片的特征向量在特征空间的分布情况，对所述特征空间进行有限域划分，得到各类别对应的有限域，包括：

将所述待分类图片的特征向量在特征空间的分布，输入预先训练得到的单类支持向量机分类模型；

由所述单类支持向量机分类模型对所述特征空间进行各类别的有限域划分，得到各类别的有限域。

6.根据权利要求1所述的图片分类方法，其特征在于，根据各所述待分类图片的特征向量在特征空间的分布情况，对所述特征空间进行有限域划分，得到各类别对应的有限域，包括：

基于近邻算法，对所述特征空间进行各类别的有限域划分，得到各类别的有限域。