[发明专利]图像分类方法及装置

说明书

本发明提供一种图像分类方法及装置，其中图像分类方法包括：获取待分类图像，对待分类图像进行预处理得到嵌入输入向量序列；将嵌入输入向量序列输入至视觉Transformer模型的编码器，输出待分类图像对应的编码向量序列，编码器包括L个Transformer编码块，每个编码块包括残差多头自注意力层，第M个编码块的残差多头自注意力层对应的自注意力层输出图与第M‑1个编码块的残差多头自注意力层对应的自注意力图之间以残差方式连接；基于编码向量序列确定待分类图像对应的特征向量，将特征向量输入至视觉Transformer模型的分类器，得到待分类图像的分类结果。通过上述图像分类方法，能够提高图像分类的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种图像分类方法及装置。

背景技术

随着人工智能技术的发展，视觉Transformer(Vision Transformer，ViT)模型在图像处理领域得到了广泛的应用。ViT模型在很多视觉任务上可以取得优异的性能，例如，利用ViT模型进行图像分类等。

由于利用ViT模型进行图像分类时，需要较大规模的数据集对ViT模型进行训练。因此，人们侧重于设计更复杂的、层数更多的模型架构来提高ViT模型对数据的处理效率。

然而，随着ViT模型层数的加深，会导致图像分类的精度大幅降低。因此，如何基于ViT模型提高图像分类的精度是目前业界亟待解决的重要课题。

发明内容

针对现有技术存在的问题，本发明是实施例提供一种图像分类方法及装置。

本发明提供一种图像分类方法，包括：

获取待分类图像，对所述待分类图像进行预处理得到嵌入输入向量序列；

将所述嵌入输入向量序列输入至视觉Transformer模型的编码器，输出所述待分类图像对应的编码向量序列，其中，所述编码器包括L个Transformer编码块，每个编码块包括残差多头自注意力层，第M个编码块的残差多头自注意力层对应的自注意力层输出图与第M-1个编码块的残差多头自注意力层对应的自注意力图之间以残差方式连接，L为正整数，M大于等于2，小于等于L；

基于所述编码向量序列确定所述待分类图像对应的特征向量，将所述特征向量输入至视觉Transformer模型的分类器，得到所述待分类图像的分类结果。

可选地，所述编码块还包括第一归一化层、第二归一化层及前馈层；

所述将所述嵌入输入向量序列输入所述编码器，输出所述待分类图像对应的编码向量序列，包括：

将所述嵌入输入向量序列输入所述第一归一化层进行归一化处理，生成处理后的嵌入输入向量序列；将所述处理后的嵌入输入向量序列输入所述残差多头自注意力层，生成第一向量序列；

将所述第一向量序列输入所述第二归一化层和所述前馈层，生成第二向量序列；

将所述第二向量序列输入至所述第一归一化层进行L次循环迭代，得到所述前馈层输出的所述待分类图像对应的编码向量序列。

可选地，所述残差多头自注意力层包括第一线性层、加权残差缩放点积注意力层、第二线性层，其中，所述加权残差缩放点积注意力层包括H个自注意力头，第M个加权残差缩放点积注意力层的自注意力层输出图与第M-1个加权残差缩放点积注意力层的自注意力图之间以残差方式连接，H为正整数；

所述将所述处理后的嵌入输入向量序列输入所述残差多头自注意力层，生成第一向量序列，包括：

将所述处理后的嵌入输入向量序列输入所述第一线性层，生成所述待分类图像对应的索引向量序列、键向量序列、值向量序列；

将所述索引向量序列、所述键向量序列、所述值向量序列输入所述加权残差缩放点积注意力层，生成H个自注意力头对应的自注意力结果；