[发明专利]目标分类方法、目标分类装置及计算机可读存储介质

说明书

本公开提供了一种目标分类方法、目标分类装置及计算机可读存储介质，涉及人工智能技术领域。其中的目标分类方法包括：将训练图像输入神经网络，得到训练图像的特征向量；将与训练图像具有相同标签的正样本图像输入神经网络，得到正样本图像的特征向量；将与训练图像具有不同标签的负样本图像输入神经网络，得到负样本图像的特征向量；调整神经网络的参数以减小神经网络的损失函数值；损失函数值与第一距离呈正相关且与第二距离呈负相关，第一距离为负样本图像的特征向量与训练图像的特征向量之间的距离，第二距离为正样本图像的特征向量与训练图像的特征向量之间的距离；利用神经网络对目标图像进行分类。本公开能够更加准确的对目标进行识别和分类。

技术领域

本公开涉及人工智能技术领域，特别涉及一种目标分类方法、装置及计算机可读存储介质。

背景技术

图像识别是人工智能领域的重要部分。图像识别是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标的技术。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。

图像分类是计算机视觉的核心，实际应用广泛。采用机器学习的方法处理图像分类问题时，向机器学习模型输入图像，机器学习模型能够输出一个已知的混合类别中的某一个标签，从而确定该图像中内容所属的类别。

发明内容

本公开解决的一个技术问题是，如何更加准确的对目标进行识别和分类。

根据本公开实施例的一个方面，提供了一种目标分类方法，包括：将训练图像输入神经网络，得到训练图像的特征向量；将与训练图像具有相同标签的正样本图像输入所述神经网络，得到正样本图像的特征向量；将与训练图像具有不同标签的负样本图像输入所述神经网络，得到负样本图像的特征向量；调整所述神经网络的参数以减小所述神经网络的损失函数值；所述损失函数值与第一距离呈正相关且与第二距离呈负相关，所述第一距离为负样本图像的特征向量与训练图像的特征向量之间的距离，所述第二距离为正样本图像的特征向量与训练图像的特征向量之间的距离；利用所述神经网络对目标的图像进行处理，以确定目标的类别。

在一些实施例中，所述距离为余弦距离。

在一些实施例中，所述神经网络的损失函数L为：

其中，N表示训练图像、正样本图像、负样本图像所组成三元组的个数，i表示三元组的序号；{·}₊＝max({·},0)，表示{·}内的值大于零时取该值，小于零时取零；表示第i个三元组中的训练图像，表示第i个三元组中的负样本图像，表示第i个三元组中的正样本图像；f(·)表示求特征向量；cos[]表示求特征向量之间的余弦距离；α为常数。

在一些实施例中，目标分类方法还包括：将InceptionV3神经网络中第三个Inception模块组之后的神经层，替换为由全局平均池化层、全连接层、分类层组成的神经层，以生成所述神经网络。

在一些实施例中，所述利用所述神经网络对目标的图像进行处理，以确定目标的类别包括：将目标的图像输入所述神经网络，以使得所述分类层输出多维向量；所述多维向量中的元素表示目标属于各个类别的概率，所述多维向量的维度表示各个类别的总数；根据所述多维向量，确定目标所属的类别。

在一些实施例中，目标分类方法还包括：在对InceptionV3神经网络中第三个Inception模块组之后的神经层进行替换之前，采用标注了标签的训练图片集对InceptionV3神经网络进行训练。