[发明专利]图像分类方法、装置、计算机设备及存储介质

权利要求书

1.一种图像分类方法，其特征在于，包括：

获取待识别图像输入训练后的检测神经网络模型，通过所述检测神经网络模型确定所述待识别图像中所包括的对象对应的图像数据；

截取所述对象对应的图像数据作为待分类图像数据，通过训练后的分类神经网络模型判断所述对象的类别。

2.如权利要求1所述的图像分类方法，其特征在于，包括：所述通过训练后的分类神经网络模型判断所述对象的类别之前，还包括：

基于第一图像中包括的待分类对象的图像数据以及所述待分类对象的类别形成第一训练样本，所述第一图像为基于待识别场景获得的图像；

基于第二图像中包括的待区分对象的图像数据以及所述待区分对象的类别形成第二训练样本，所述第二图像为基于公开数据集获得图像；

将所述第二训练样本和所述第一训练样本输入生成对抗神经网络，通过所述对抗神经网络对所述第二训练样本中的所述待区分对象的图像数据进行风格转换，得到第三训练样本；

将所述第一训练样本和所述第三训练样本输入初始的分类神经网络模型进行训练，直至所述分类神经网络模型的损失函数满足收敛条件，得到训练后的所述分类神经网络模型。

3.如权利要求2所述的图像分类方法，其特征在于，所述基于第一图像中包括的待分类对象的图像数据以及所述待分类对象的类别形成第一训练样本包括：

将所述第一图像、所述第一图像中包括的待分类对象的图像数据的位置信息以及所述待分类对象的类别形成第一训练样本；和/或

所述基于第二图像中包括的待区分对象的图像数据以及所述待区分对象的类别形成第二训练样本，包括：

将所述第二图像、所述第二图像中包括的待区分对象的图像数据的位置信息以及所述待区分对象的类别形成第二训练样本。

4.如权利要求2所述的图像分类方法，其特征在于，所述基于第一图像中包括的待分类对象的图像数据以及所述待分类对象的类别形成第一训练样本，包括：

将所述第一图像输入训练后的检测神经网络模型；

通过所述检测神经网络模型对所述待分类对象进行识别，得到所述待分类对象的图像数据的包围盒，根据所述包围盒以及所述待分类对象的类别形成第一训练样本。

5.如权利要求4所述的图像分类方法，其特征在于，所述将所述第一图像以及所述第一图像中包括的待分类对象的类别输入训练后的检测神经网络模型之前，包括：

将第一训练集输入初始的检测神经网络模型进行训练，所述第一训练集包括基于待识别场景获得的第一图像以及所述第一图像中包含的待分类对象的类别；

直至所述检测神经网络模型的损失函数满足收敛条件时，得到训练后的所述检测神经网络模型。

6.如权利要求2所述的图像分类方法，其特征在于，所述基于第二图像中包括的待区分对象的图像数据以及所述待区分对象的类别形成第二训练样本包括：

获取待区分对象位于图像中指定位置的第二图像，根据所述第二图像以及所述待区分对象的类别形成第二训练样本。

7.如权利要求2所述的图像分类方法，其特征在于，所述将所述第一训练样本和所述第三训练样本输入初始的分类神经网络模型进行训练，包括：

将所述第一训练样本和所述第三训练样本合并，并进行图像增强得到增强图像集；

通过所述增强图像集对所述初始的分类神经网络模型进行训练。