[发明专利]图像分类方法及装置、电子设备、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：

将待测试图像输入已训练的特征提取模型，获得所述特征提取模型输出的视觉特征向量；

将所述视觉特征向量与不同分类器的权重向量进行点积计算，获得所述待测试图像与不同分类器对应类别的相似度；其中，所述多个分类器的权重向量是通过训练的图卷积网络模型计算得到的，所述图卷积网络模型是基于关系增强型知识图谱以及图注意力机制生成的；

根据所述待测试图像与不同分类器对应类别的相似度，确定所述待测试图像所属的类别。

2.根据权利要求1所述的方法，其特征在于，在所述将所述视觉特征向量与不同分类器的权重向量进行点积计算之前，所述方法还包括：

获取待测试图像集合；

提取所述待测试图像集合中每个待测试图像的视觉特征向量；

将所述待测试图像的视觉特征向量输入已训练的图卷积网络模型，获得多种类别的分类器。

3.根据权利要求2所述的方法，其特征在于，在所述将所述待测试图像的视觉特征向量输入已训练的图卷积网络模型之前，所述方法还包括：

获取第一深度神经网络和第二深度神经网络；

叠加所述第一深度神经网络和第二深度神经网络，得到所述图卷积网络；

训练所述图卷积网络，得到所述图卷积网络模型。

4.根据权利要求3所述的方法，其特征在于，所述第一深度神经网络采用以下方式获得：

获取关系增强型知识图谱；

根据所述关系增强型知识图谱构建所述第一图卷积网络。

5.根据权利要求3所述的方法，其特征在于，所述第二深度神经网络采用以下方式获得：

通过特征提取网络计算样本训练集中每类样本的视觉属性特征；

根据所述每类样本的视觉属性特征，计算带注意力权重的邻接矩阵；

根据所述带注意力权重的邻接矩阵，构建所述第二图卷积网络。

6.根据权利要求5所述的方法，其特征在于，所述训练所述图卷积网络，得到所述图卷积网络模型，包括：

将所述每类样本的视觉属性特征输入所述图卷积网络，得到多个类别的预测分类器；

计算所述多个类别的预测分类器的权重向量与已知的真实分类器的权重向量之间的均方差误差损失值，通过反向调整所述图卷积网络的网络参数，使所述均方差误差损失值满足预设条件。

7.根据权利要求1所述的方法，其特征在于，在所述将待测试图像输入已训练的特征提取模型之前，所述方法还包括：

根据样本训练集对预训练的ResNet网络进行参数调整，获得所述特征提取模型。

8.一种图像分类装置，其特征在于，包括：

特征提取模块，用于将待测试图像输入已训练的特征提取模型，获得所述特征提取模型输出的视觉特征向量；

相似度计算模块，用于将所述视觉特征向量与不同分类器的权重向量进行点积计算，获得所述待测试图像与不同分类器对应类别的相似度；其中，所述多个分类器的权重向量是通过训练的图卷积网络模型计算得到的，所述图卷积网络模型是基于关系增强型知识图谱以及图注意力机制生成的；

类别确定模块，用于根据所述待测试图像与不同分类器对应类别的相似度，确定所述待测试图像所属的类别。

9.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-7任意一项所述的图像分类方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-7任意一项所述的图像分类方法。