[发明专利]一种图像分类方法、装置、计算机设备和存储介质

说明书

本发明实施例公开了一种图像分类方法、装置、计算机设备和存储介质。该方法包括：获取待分类图像；将所述待分类图像作为输入特征图，使用预先训练好的图像分类模型得到所述待分类图像的分类类别，所述图像分类模型包括卷积层，所述卷积层对应一个动态激活函数，所述卷积层用于对所述输入特征图进行卷积处理得到中间特征图，所述动态激活函数包括动态参数，所述动态参数是根据所述中间特征图生成的，所述动态激活函数用于对所述中间特征图进行非线性映射得到输出特征图。本发明实施例实现了提升神经网络模型分类准确性。

技术领域

本发明涉及图像技术领域，尤其涉及一种图像分类方法、装置、计算机设备和存储介质。

背景技术

随着科学技术的飞速发展，神经网络模型被应用至越来越多的领域当中，其中应用最广泛的是图像分类，进行图像分类时常采用卷积神经网络(CNN)，在分类的过程中，需要使用激活函数来完成输入特征图的卷积。

ReLU(修正线性单元)激活函数是神经网络领域的里程碑技术，它可以简单直接地改善深度卷积神经网络的前向和反向传播性能，在ResNet、MobileNet等经典网络具有着广泛的应用。相较于之前使用的Sigmoid激活函数，Sigmoid在网络层数较深时容易出现梯度消失的现象，而ReLU并不会产生较小的梯度，输入小于零时会使部分神经元输出为零，从而导致网络的稀疏性，缓解过拟合的产生。

在图像分类的过程中，不同的输入特征图适应于不同的激活函数，但是现有的激活函数，无论是ReLU激活函数还是其衍生形式，譬如ReLU6、Leaky ReLU、PreLu、HardSwish等激活函数，这些激活函数均属于静态激活函数，对于不同的输入特征图来说，激活函数无法改变，从而导致分类的准确性下降。

发明内容

基于此，有必要针对上述问题，提出了一种图像分类方法、装置、计算机设备和存储介质。

第一方面，本发明实施例提供一种图像分类方法，所述方法包括：

获取待分类图像；

将所述待分类图像作为输入特征图，使用预先训练好的图像分类模型得到所述待分类图像的分类类别，所述图像分类模型包括卷积层，所述卷积层对应一个动态激活函数，所述卷积层用于对所述输入特征图进行卷积处理得到中间特征图，所述动态激活函数包括动态参数，所述动态参数是根据所述中间特征图生成的，所述动态激活函数用于对所述中间特征图进行非线性映射得到输出特征图。

第二方面，本发明实施例提供一种图像分类装置，所述装置包括：

图像获取模块，用于获取待分类图像；

图像分类模块，用于将所述待分类图像作为输入特征图，使用预先训练好的图像分类模型得到所述待分类图像的分类类别，所述图像分类模型包括卷积层，所述卷积层对应一个动态激活函数，所述卷积层用于对所述输入特征图进行卷积处理得到中间特征图，所述动态激活函数包括动态参数，所述动态参数是根据所述中间特征图生成的，所述动态激活函数用于对所述中间特征图进行非线性映射得到输出特征图。

第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取待分类图像；

将所述待分类图像作为输入特征图，使用预先训练好的图像分类模型得到所述待分类图像的分类类别，所述图像分类模型包括卷积层，所述卷积层对应一个动态激活函数，所述卷积层用于对所述输入特征图进行卷积处理得到中间特征图，所述动态激活函数包括动态参数，所述动态参数是根据所述中间特征图生成的，所述动态激活函数用于对所述中间特征图进行非线性映射得到输出特征图。

第四方面，本发明实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：