[发明专利]多类别图像的分类方法、装置、终端设备和存储介质

说明书

本申请提供了一种多类别图像的分类方法、装置、终端设备和存储介质，其方法包括获取待分类图像；将待分类图像输入至预先训练的图像分类模型，输出待分类图像的类别概率值；图像分类模型是采用标记有类别信息的图像样本对改进的卷积神经网络进行训练得到的，改进的卷积神经网络包括Focus结构、Efficient网络、卷积层的注意力模块、全局池化层和全连接层；根据类别概率值确定待分类图像的类别。本申请的方法采用改进的卷积神经网络模型，该模型以Efficient网络为骨架，具有较小的参数规模和快速的推理速度，且该模型采用Focus结构和卷积层的注意力模块，进一步减少了计算量和增加了准确性。

技术领域

本申请涉及图像分类技术领域，具体涉及一种多类别图像的分类方法、终端设备和计算机可读存储介质。

背景技术

在自然场景下，一个图像(例如一张图片)往往同时属于多个类别(例如一张图片上既有山也有树)，而在使用时需要确定该图片到底属于山这一景物图像，还是属于树这一景物图像，即需要对多标签图片进行分类。

目前，通常采用神经网络模型来对多类别图像进行分类，但该方法模型训练过程参数规模大，训练复杂，并且抛弃了特征图中值为负数部分的图片信息，进而对分类准确度产生影响。

申请内容

有鉴于此，本申请实施例中提供了一种多类别图像的分类方法、终端设备和计算机可读存储介质，以克服现有技术中采用神经网络模型来对多类别图像进行分类，模型训练过程参数规模大，训练复杂，并且抛弃了特征图中值为负数部分的图片信息，进而对分类准确度产生影响的问题。

第一方面，本申请实施例提供了一种多类别图像的分类方法，该方法包括：

获取待分类图像；

将所述待分类图像输入至预先训练的图像分类模型，输出所述待分类图像的类别概率值；其中，所述图像分类模型是采用标记有类别信息的图像样本对改进的卷积神经网络进行训练得到的，所述改进的卷积神经网络包括Focus结构、Efficient网络、卷积层的注意力模块、全局池化层和全连接层；

根据所述类别概率值确定所述待分类图像的类别。

第二方面，本申请实施例提供了一种多类别图像的分类装置，该装置包括：

待分类图像获取模块，用于获取待分类图像；

类别概率值输出模块，用于将所述待分类图像输入至预先训练的图像分类模型，输出所述待分类图像的类别概率值；其中，所述图像分类模型是采用标记有类别信息的图像样本对改进的卷积神经网络进行训练得到的，所述改进的卷积神经网络包括Focus结构、Efficient网络、卷积层的注意力模块、全局池化层和全连接层；

类别确定模块，用于根据所述类别概率值确定所述待分类图像的类别。

第三方面，本申请实施例提供了一种终端设备，包括：存储器；一个或多个处理器，与所述存储器耦接；一个或多个应用程序，其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行上述第一方面提供的多类别图像的分类方法。

第四方面，本申请实施例提供了一种计算机可读取存储介质，计算机可读取存储介质中存储有程序代码，程序代码可被处理器调用执行上述第一方面提供的多类别图像的分类方法。