[发明专利]图像分类方法、装置、电子设备及存储介质

权利要求书

1.一种图像分类方法，其特征在于，包括：

确定待分类的图像；

将所述待分类的图像输入图像分类模型，得到所述图像分类模型输出的图像分类结果；其中，

所述图像分类模型是基于样本图像数据与样本类别标签，通过对卷积神经网络模型进行训练得到的；

所述图像分类模型在训练时采用预设的反向传播方法，所述预设的反向传播方法对所述卷积神经网络模型中的预设层所输出的梯度集合进行稀疏处理。

2.根据权利要求1所述的图像分类方法，其特征在于，所述预设的反向传播方法对所述卷积神经网络模型中的预设层所输出的梯度集合进行稀疏处理包括：

当所述卷积神经网络模型为包含批标准化层的卷积神经网络模型时，对所述卷积神经网络模型中的批标准化层所输出的梯度集合进行稀疏处理。

3.根据权利要求1所述的图像分类方法，其特征在于，所述预设的反向传播方法对所述卷积神经网络模型中的预设层所输出的梯度集合进行稀疏处理包括：

当所述卷积神经网络模型为未包含批标准化层的卷积神经网络模型时，对所述卷积神经网络模型中的ReLU激活层在反向传播方向上的前一相邻层所输出的梯度集合进行稀疏处理。

4.根据权利要求1所述的图像分类方法，其特征在于，所述稀疏处理包括：

将所述梯度集合中绝对值小于预设的稀疏处理阈值的第一梯度值，设置为0或设置为第一预设值或设置为第二预设值；其中，

所述第一预设值与所述第二预设值的绝对值相同，所述第一预设值为正，所述第二预设值为负。

5.根据权利要求4所述的图像分类方法，其特征在于，所述将所述梯度集合中绝对值小于预设的稀疏处理阈值的第一梯度值，设置为0或设置为第一预设值或设置为第二预设值进一步包括：

将所述第一梯度值的绝对值与第一阈值进行比较，若所述第一梯度值的绝对值小于或等于所述第一阈值，则将所述第一梯度值设置为0，若所述第一梯度值的绝对值大于所述第一阈值，则确定所述第一梯度值是否大于0，若所述第一梯度值大于0，则将所述第一梯度值设置为第一预设值，若所述第一梯度值小于或等于0，则将所述第一梯度值设置为第二预设值；其中，

所述第一阈值是所述稀疏处理阈值与第一随机数的乘积，所述第一随机数为取值范围在[0,1]区间内的数。

6.根据权利要求1所述的图像分类方法，其特征在于，所述卷积神经网络模型在反向传播方向上依次包括：

ReLU激活层、批标准化层、稀疏处理层以及卷积层；其中，

所述稀疏处理层用于对所述批标准化层在反向传播中所输出的第一梯度集合进行稀疏处理，得到第二梯度集合，将所述第二梯度集合输入至所述卷积层。

7.根据权利要求1所述的图像分类方法，其特征在于，所述卷积神经网络模型在反向传播方向上依次包括：稀疏处理层、ReLU激活层以及卷积层；其中，

所述稀疏处理层用于对在反向传播中将要输入至所述ReLU激活层的第三梯度集合进行稀疏处理，得到第四梯度集合，将所述第四梯度集合输入至所述ReLU激活层。

8.一种图像分类装置，其特征在于，包括：

确定模块，用于确定待分类的图像；

分类模块，用于将所述待分类的图像输入图像分类模型，得到所述图像分类模型输出的图像分类结果；其中，

所述图像分类模型是基于样本图像数据与样本类别标签，通过对卷积神经网络模型进行训练得到的；

所述图像分类模型在训练时采用预设的反向传播方法，所述预设的反向传播方法对所述卷积神经网络模型中的预设层所输出的梯度集合进行稀疏处理。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述图像分类方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述图像分类方法的步骤。