[发明专利]图像分类方法、装置、计算机设备和存储介质

说明书

本申请涉及一种图像分类方法、装置、计算机设备和存储介质。所述方法包括：通过根据要使用的图像分类模型，将单张待分类图像划分成多张子图像，然后通过图像分类模型的多条支路同时对多张子图像分别进行特征处理，最后再通过图像分类模型的干路全连接层根据每张子图像的特征获取单张待分类图像的特征，进而根据每张子图像的特征进行分类处理获取单张待分类图像的最终分类标签，完成对待分类图像的分类。能够着重识别图像中较复杂的部分，快速识别图像中较简单的部分，从而提高图像分类的精确度，提高图像分类效率。

技术领域

本申请涉及计算机科学技术领域，特别是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

神经网络模型目前在大多数学科、领域应用上都取得比传统模型更好的精度效果，同时也具备良好的应用泛化性。近年来，随着深度神经网络的迅速发展，深度神经网络已经应用在有次序过程的图像分类中。

传统技术中，针对医疗、电化学、地质勘探等领域中的中所采集的图像无法精确的进行图像分类。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高图像分类精确度的图像分类方法、装置、计算机设备和存储介质。

一种图像分类方法，方法包括：

获取待分类图像，将待分类图像划分为多段子图像；

通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理，得到对应的特征节点；图像分类模型的每条支路包括多个支路卷积层和至少一个支路全连接层；

通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理，得到最终分类标签；图像分类模型包括至少一个干路全连接层。

在其中一个实施例中，通过图像分类模型的多条支路对每段子图像分别进行卷积和全连接处理，得到对应的特征节点，包括：

将多段子图像分别同时输入到图像分类模型中各支路卷积层和支路全连接层进行处理，得到每段子图像所对应的特征节点；

通过图像分类模型的干路将多段子图像中每段子图像所对应的特征节点进行全连接处理，得到最终分类标签，包括：

将多段子图像中每段子图像所对应的特征节点输入到图像分类模型中各支路全连接层之后的至少一个干路全连接层进行处理，得到最终分类标签。

在其中一个实施例中，图像分类模型的训练过程，包括：

获取训练集，训练集包括多个训练样本，每个训练样本包括一张训练图像所划分的多段训练子图像和训练图像所对应的分类标签；

获取神经网络模型，神经网络模型包括多条支路、至少一个干路全连接层和多个输出节点，每条支路包括一个输入块、多个支路卷积层、至少一个支路全连接层和与每个输入块对应的一个或多个特征节点；

将训练集中每个训练样本中的多段训练子图像同时输入神经网络模型的多个输入块进行支路卷积层和支路全连接层处理，得到每段训练子图像所对应的特征节点，每条支路的支路卷积层和支路全连接层的结构和数量根据训练集确定；

将多段训练子图像中每段训练子图像所对应的特征节点进行干路全连接层处理，通过输出节点输出得到预估分类标签；

根据预估分类标签和训练图像所对应的分类标签进行比较，根据比较结果调整神经网络模型的参数；

利用训练集中的训练样本对调整了参数的神经网络模型继续训练，得到图像分类模型。

在其中一个实施例中，获取训练集包括：

获取训练图像，并获取训练图像的分类标签；

划分训练图像，得到多段训练子图像；