[发明专利]一种图像分类方法及装置

说明书

本申请提供了一种图像分类方法及装置，其中，该方法包括：获取待分类图像；将待分类图像输入至预先训练好的特征提取网络中，得到待分类图像的特征向量；将特征向量输入至预先训练好的分类层的每个冗余神经元组中，得到每个冗余神经元组中各个神经元输出的第一分类概率，其中，每个神经元输出的第一分类概率表示待分类图像属于该神经元所在冗余神经元组对应的分类类别的概率；将每个冗余神经元组中各个神经元输出的第一分类概率输入至分类结果激活层中，得到每个冗余神经元组对应的第二分类概率；基于每个冗余神经元组对应的第二分类概率，确定待分类图像的分类结果。本申请能够在不增加标注成本的情况下，提高类内差异较大时的图像分类精度。

技术领域

本申请涉及图像分类技术领域，具体而言，涉及一种图像分类方法及装置。

背景技术

在图像分类的时候，当某一类别中图像差别较大，即类内差异较大时，图像分类模型的分类性能将会下降。因为图像分类模型会将同类别中差别较大的图像都拟合到同一类别，在这种情况下图像分类模型会倾向于拟合他们共同的特征而丧失更强的特征捕捉能力，导致分类精度降低。目前，传统的解决方法是增添样本图像的标注种类，即将类内差异过大的图像再细分为更加精细的子类进行标注，但这种解决方法势必会增加标注成本。

发明内容

有鉴于此，本申请实施例的目的在于提供一种图像分类方法及装置，能够在不增加标注成本的情况下，提高类内差异较大时的图像分类精度。

第一方面，本申请实施例提供了一种图像分类方法，作用于预先训练好的图像分类模型；图像分类模型包括特征提取网络、分类层、分类结果激活层；所述分类层包括多个冗余神经元组，所述冗余神经元组与分类类别一一对应，每个冗余神经元组中包括多个神经元；所述方法包括：

获取待分类图像；

将所述待分类图像输入至预先训练好的特征提取网络中，得到所述待分类图像的特征向量；

将所述特征向量输入至预先训练好的分类层的每个冗余神经元组中，得到每个冗余神经元组中各个神经元输出的第一分类概率，其中，每个神经元输出的第一分类概率表示所述待分类图像属于该神经元所在冗余神经元组对应的分类类别的概率；

将每个冗余神经元组中各个神经元输出的第一分类概率输入至所述分类结果激活层中，得到每个冗余神经元组对应的第二分类概率；

基于每个冗余神经元组对应的第二分类概率，确定所述待分类图像的分类结果。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述将每个冗余神经元组中各个神经元输出的第一分类概率输入至所述分类结果激活层中，得到每个冗余神经元组对应的第二分类概率，包括：

将每个冗余神经元组中各个神经元输出的第一分类概率输入至所述分类结果激活层中，针对第i个冗余神经元组，将所述第i个冗余神经元组中各个神经元输出的第一分类概率中最大的第一分类概率确定为所述第i个冗余神经元组对应的第二分类概率，i取1至N中的任意整数，N为冗余神经元组的总个数。

结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述基于每个冗余神经元组对应的第二分类概率，确定所述待分类图像的分类结果，包括：

确定各个第二分类概率中最大的第二分类概率，以及与所述最大的第二分类概率对应的目标冗余神经元组；

将所述目标冗余神经元组对应的分类类别，确定为所述待分类图像的分类结果。

结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，采用下述方法得到所述预先训练好的图像分类模型：

获取多个样本图像；

将所述样本图像输入至所述特征提取网络中，得到所述样本图像的特征向量；