[发明专利]图像分类方法及装置有效

专利信息
申请号: 201910390868.X 申请日: 2019-05-10
公开(公告)号: CN110110795B 公开(公告)日: 2021-04-20
发明(设计)人: 曾志勇;许清泉;张伟;傅松林;洪炜冬 申请(专利权)人: 厦门美图之家科技有限公司
主分类号: G06K9/62 分类号: G06K9/62;G06K9/46
代理公司: 北京超凡宏宇专利代理事务所(特殊普通合伙) 11463 代理人: 徐彦圣
地址: 361000 福建省厦门市*** 国省代码: 福建;35
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 图像 分类 方法 装置
【说明书】:

发明提供一种图像分类方法及装置,通过对多张待标注图像与不同的目标特征分别进行匹配的方式进行分类得到多个第一类别,以及对多张待标注图像采用聚类的方式进行分类得到多个第二类别,并且针对每个第一类别,确定与第一类别匹配的第二类别,并将第一类别中与确定的第二类别中相同的待标注图像作为目标类别包括的待标注图像,得到多个目标类别和每个目标类别包括的待标注图像,从而实现对多张待标注图像进行精准的分类,并避免了在对图像进行精细化分类时浪费过多的时间成本和人力成本的问题。

技术领域

本申请涉及图像分类领域,具体而言,涉及一种图像分类方法及装置。

背景技术

精细化图像分类相对通用图像分类任务的区别和难点在于,精细化图像分类中的图像所属类别的粒度更为精细,且同一大类别下不同子类别间的视觉差异极小。

目前,通常按照使用监督信息的多少对精细化图像进行分类,具体的,精细化分类任务模型可以分为强监督和弱监督两类模型,强监督模型需要用到大量的标注信息,获取标注信息需要耗费大量的时间成本和人力成本,且精细化分类更为专业,但是大部分人都难以进行有效区分,所以标注人员的有限认知水平常常导致数据集的不理想从而会影响标注结果;而弱监督模型可以借助较少的标注信息,自动捕获局部特征,虽然降低了标注成本,但在精度方面始终与强监督模型存在差距。因此,提供一种能够有效提高分类进度,并避免浪费过多的时间成本和人力成本的图像分类方法为实际所需。

发明内容

本申请提供一种图像分类方法及装置。

本申请提供的一种图像分类方法,所述方法包括:

获得多个第一类别,以及每个所述第一类别分别对应的目标特征;

获取多张待标注图像,将每张所述待标注图像分别与各所述目标特征进行匹配,将与同一目标特征匹配的所有待标注图像归类至与该目标特征对应的第一类别中,得到每个所述第一类别分别包括的待标注图像;

对所述多张待标注图像进行聚类,得到所述多张待标注图像聚类至的多个第二类别,其中,所述多个第二类别的类别数量与所述多个第一类别的类别数量相同;

针对每个第一类别,确定与该第一类别匹配的第二类别,将该第一类别中与确定的第二类别中相同的待标注图像作为目标类别包括的待标注图像,得到多个目标类别和每个目标类别包括的待标注图像。

可选的,在上述图像分类方法中,在执行获得多个第一类别,以及每个所述第一类别分别对应的目标特征的步骤之前,所述方法还包括:

获取包括多个子集的验证集,其中,每个所述子集包括属于同一第一类别的多张验证图像,且每个子集分别与一个第一类别对应;

将所述子集中的各验证图像分别进行向量化处理,提取各所述验证图像中的特征进行融合以构造目标子集的浅层复合特征;

将所述目标子集的浅层复合特征与其他子集的浅层复合特征进行处理后得到该目标子集的目标特征,进而得到每个所述第一类别分别对应的目标特征。

可选的,在上述图像分类方法中,将所述子集中的各验证图像分别进行向量化处理,提取各所述验证图像中的特征进行融合以构造目标子集的浅层复合特征的步骤具体为:

将所述子集中的各验证图像进行向量化处理后,采用主成分分析技术和方向梯度直方图技术提取每张所述验证图像中的特征,并将提取到的特征进行融合以构造目标子集的浅层复合特征;

所述将所述目标子集的浅层复合特征与其他子集的浅层复合特征进行处理后得到目标特征的步骤具体为:

将所述目标子集的浅层复合特征与其他子集的浅层复合特征采用SIFT算法和lowe’s算法进行计算,得到所述目标子集的浅层复合特征中与其他子集之间的最优匹配点,并在所述目标子集的浅层复合特征中排除所述最优匹配点得到目标特征。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于厦门美图之家科技有限公司,未经厦门美图之家科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910390868.X/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code