[发明专利]图像分类方法、计算机设备和存储介质

权利要求书

1.一种图像分类方法，其特征在于，所述方法包括：

将数据集图片放入深度残差网络中提取特征，得到特征图；

将所述特征图作为经Soft-NMS优化后的区域建议网络的输入，所述经Soft-NMS优化后的区域建议网络选择出代表所述数据集图片类别特征的目标所在区域,将所述目标所在区域放入全连接层，得到得分最高的N个候选框，N是大于1的整数；

根据所述N个候选框得到目标候选框，将所述目标候选框作为稀疏化B-CNN网络结构的输入，所述稀疏化B-CNN网络结构包括第一特征提取函数和第二特征提取函数，所述第一特征提取函数用于对物体的局部信息进行检测定位，所述第二特征提取函数用于对第一特征提取函数检测到的局部信息进行特征提取；

将所述第一特征提取函数和第二特征提取函数所得到的特征相加后，经过双线性池化，作为最后提取的特征向量，将所述最后提取的特征向量输入softmax层进行分类，得到细粒度图像分类结果。

2.根据权利要求1所述的方法，其特征在于，将所述特征图作为经Soft-NMS优化后的区域建议网络的输入，所述经Soft-NMS优化后的区域建议网络选择出代表所述数据集图片类别特征的目标所在区域,将所述目标所在区域放入全连接层，得到得分最高的N个候选框的步骤，具体包括：

将所述特征图作为经Soft-NMS优化后的区域建议网络的输入，经过第一卷积层，得到多通道特征图；

将所述多通道特征图的每一个锚点生成一系列候选框，将所述候选框输入到RPN网络的分类层和回归层，所述分类层对所述候选框进行分类，确定所述候选框是前景候选框还是背景候选框，对所述候选框打分，同时在所述回归层对其进行初步回归，通过计算所述前景候选框与实际候选框的偏差值对所述前景候选框进行调整修正；

调整过的候选框根据相应的比例将其映射到原始图像中，判断映射后候选框是否大范围超过边界，剔除严重超出边界的候选框；

按照所述分类层生成的得分将所述候选框进行从大到小排序，提取前Y个候选框，Y是大于1的整数，对Y个候选框进行软化非极大值处理，将软化非极大值处理后得到的候选框再次排序，输出N个候选框，其中NY。

3.根据权利要求2所述的方法，其特征在于，

所述分类层为所述候选框时输出检测框D_i以及对应的得分f_i：

所述检测框D_i以及其得分f_i的计算如下:

其中，S_i是重叠框的交集的面积；S是重叠框的并集的面积；

所述对Y个候选框进行软化非极大值处理时的计算算式如下：

其中，τ为常数阈值。

4.根据权利要求3所述的方法，其特征在于，根据所述N个候选框得到目标候选框，将所述目标候选框作为稀疏化B-CNN网络结构的输入的步骤具体包括：

将得到的所述N个候选框经过ROI池化层处理后，输出固定尺寸的目标候选框，将所述目标候选框作为稀疏化B-CNN结构的输入。

5.根据权利要求1所述的方法，其特征在于，所述稀疏化B-CNN网络结构利用批归一化层的比例因子γ组成稀疏层，嵌入在B-CNN每个第二卷积层后，所述稀疏层中每个比例因子γ与第二卷积层的每个输出在批归一化层中相乘，以筛选特征通道，所述比例因子γ范围为0.001～1.5。