[发明专利]用于图像的细分类方法及装置

说明书

本发明公开了一种用于图像的细分类方法及装置，方法包括：将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。本申请在使用基础分类网络分析出遥感图像上的飞行器的类别后，如果该类别为易混淆类别，可以从已建立好的不同混淆类别与决策码的对应关系中，获得该类别对应的决策码，并基于该决策码对应的分类策略有分析有针对性的分析遥感图像上的飞行器的类别，降低混淆程度，从而提升图像分类的效率。

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于图像的细分类方法及装置。

背景技术

在计算机视觉中，图像细粒度分类是图像分类领域下的进一步细分，图像细粒度分类任务相对于通用图像分类任务的区别在于细粒度分类是对大类别下的子类别进行分类，图像所属类别的粒度更为精细。例如，通用图像分类任务是将“袋鼠”和“狗”，从比较容易区分的外貌、形态等方面将这两个物体大类区分开；而细粒度分类的任务则是对“狗”这类大类别下的子类别进行区分，例如需要区分“金毛犬”和“阿拉斯加犬”。正因同大类别下的不同子类往往仅在耳朵形状或是毛发发色等细微处存在差异，细粒度分类任务的难度和挑战是较为巨大的。对两个极为相似的物种进行细粒度分类，最重要的是在图像中找到能够区分这两个物种的区分性的部位，并能够对这些有区分性的部位的特征进行较好的表示。

由于深度卷积神经网络强大的图像特征表征能力，目前现有的细粒度分类方法都是以深度卷积神经网络为基础的，主要分为三类方法：①基于常规图像分类网络的微调方法②基于目标块检测的方法③基于注意力机制的方法。而目前主流的细粒度分类方法没有在遥感图像上的飞行器的应用。

发明内容

本发明的目的是针对上述现有技术的不足提出的一种用于图像的细分类方法及装置，该目的是通过以下技术方案实现的。

本发明的第一方面提出了一种用于图像的细分类方法，所述方法包括：

将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；

根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；

基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。

本发明的第二方面提出了一种用于图像的细分类装置，所述装置包括：

第一分类模块，用于将遥感图像输入已训练的基础分类网络，以由所述基础分类网络输出所述遥感图像上的飞行器的第一类别；

查找模块，用于根据易混淆类别与决策码的对应关系，获取所述第一类别对应的决策码；

第二分类模块，用于基于所述决策码所对应的分类策略对所述遥感图像上的飞行器进行分类，得到飞行器的第二类别。

在本申请实施例中，在使用基础分类网络分析出遥感图像上的飞行器的类别后，如果该类别为易混淆类别，可以根据不同混淆类别与决策码的对应关系，获得该类别对应的决策码，并基于该决策码对应的分类策略有分析有针对性的分析遥感图像上的飞行器的类别，降低混淆程度，从而提升图像分类的效率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明根据一示例性实施例示出的一种用于图像的细分类方法的实施例流程图；

图2为本发明示出的一种易混淆类别的进一步分类结构示意图；

图3为本发明根据一示例性实施例示出的一种用于图像的细分类装置的实施例流程图。