[发明专利]一种图像分类方法及其相关设备

说明书

本申请提供一种图像分类方法及其相关设备，可准确判断目标图像的特征落于哪一个类别对应的目标概率分布，从而准确得到目标图像的分类结果。本申请的方法包括：获取目标图像；通过图像分类模型对目标图像进行处理，得到分类结果，分类结果用于在多个类别中确定目标图像所属的类别，该处理用于令目标图像的特征符合目标概率混合分布，目标概率混合分布包含与多个类别一一对应的多个目标概率分布，每个目标概率分布具有一个偏度，任意两个偏度之间存在夹角。

技术领域

本申请涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种图像分类方法及其相关设备。

背景技术

卷积神经网络因其优良的表现，被广泛应用于图像分类中，但为了能实际应用到计算资源受限的设备上，往往需要对卷积神经网络做适配以满足使用要求。例如，可将卷积神经网络中的乘法算子替换为加法算子，以此消除在整体计算中的乘法部分，只保留加法部分。因此，可得到一个加法神经网络，可降低功耗，有利于硬件的设计与实现。

在进行图像分类时，加法神经网络在提取图像的特征后，可基于图像的特征进行分类处理，以得到图像的分类结果。然而，加法神经网络中的特征符合长尾分布，即每一个类别的特征可视为一个长尾分布，不同类别的特征之间存在难以分离的重叠区域。若某个图像的特征位于这些重叠区域中，加法神经网络则无法确定该图像的特征落于哪个类别中，故无法准确得到该图像的分类结果。

发明内容

本申请实施例提供了一种图像分类方法及其相关设备，可准确判断目标图像的特征落于哪一个类别对应的拉普拉斯分布，从而准确得到目标图像的分类结果。

本申请实施例的第一方面提供了一种图像分类方法，该方法包括：

当需要确定目标图像的类别时，可先获取用于实现图像分类功能的图像分类模型。需要说明的是，图像分类模型经过处理所得到的特征符合目标概率混合分布，目标概率混合分布可视为由多个目标概率分布构成的组合，多个目标概率分布与多个类别一一对应(即每个目标概率分布可视为一个类别的特征)，且每个类别对应的目标概率分布具有一个偏度。在这多个偏度中，任意两个偏度之间存在夹角。

通过图像分类模型对目标图像进行处理，得到分类结果，分类结果用于在多个类别中确定目标图像所属的类别，图像分类模型所执行的处理用于令目标图像的特征符合前述的目标概率混合分布。

从上述方法可以看出：在获取目标图像后，可通过图像分类模型对目标图像进行处理，得到分类结果，该分类结果用于在多个类别中确定目标图像所属的类别。前述过程中，图像分裂模型所执行的处理用于令目标图像的特征符合目标概率混合分布，目标概率混合分布可视为由多个目标概率分布构成的组合，对于任意一个目标概率分布，该分布可视为某一个类别的特征(集合)，且该分布具有该类别对应的偏度，该类别对应的偏度决定着该类别对应的目标概率分布的长尾在二维空间上的延伸方向。在与多个类别一一对应的多个偏度中，通过令任意两个偏度之间存在夹角，可令不同偏度均存在差异，使得不同类别对应的目标概率分布的长尾，在二维空间上的延伸方向不同。如此一来，在目标概率混合分布中，任意两个类别对应的目标概率分布之间均不会存在重叠区域。因此，图像分类模型可准确判断目标图像的特征落于哪一个类别对应的目标概率分布，从而准确得到目标图像的分类结果。

在一种可能的实现方式中，多个类别和多个目标的数量均为N，N为大于1的正整数，图像分类模型包含第一子模型和第二子模型，通过图像分类模型对目标图像进行处理，得到分类结果包括：