[发明专利]房屋场景分类方法、装置、设备及可读存储介质

说明书

本发明公开了房屋场景分类方法、装置、设备及可读存储介质。该方法包括利用SENet网络对分类图像进行特征提取，得到分类图像的全局特征；对分类图像进行目标检测，得到所有分类图像所出现物品的物品信息；根据物品信息统计各个物品类别的出现频率，并提取出现频率高的若干类物品，根据物品信息计算每个物品之间的共现相关性和空间相关性，得到分类图像中不同物品类别之间的相关性矩阵；将相关性矩阵输入GCN网络进行非线性变换，得到分类图像的局部特征；对全局特征和局部特征进行特征融合，得到融合特征，并通过softmax函数计算融合特征所属场景类型的概率，以概率最高的场景类型作为分类结果。该方法提高房屋场景图像分类的精确性。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种房屋场景分类方法、装置、设备及可读存储介质。

背景技术

互联网、大数据和多媒体技术的快速发展，使得物业领域对于海量房屋图片的识别分类、数据管理成为一个重要问题。图源的多样化、场景的复杂化以及拍摄角度、灯光等差异提高了房屋图片识别的难度。另外，存量图片数量巨大，如果采用人工标定的方式进行分类，将耗费大量时间。

将单一的深度学习模型应用于房屋图片类别的识别分类中，存在识别准确率不高、缺乏可解释性以及模型泛化能力弱的问题。

发明内容

本发明实施例提供了一种房屋场景分类方法、装置、设备及可读存储介质，旨在解决现有技术中通过神经网络进行房屋场景分类准确率较低的问题。

第一方面，本发明实施例提供了一种房屋场景分类方法，其包括：

获取分类图像和预训练的分类模型，所述分类模型包括SENet网络和GCN网络；

利用所述SENet网络对所述分类图像进行特征提取，得到所述分类图像的全局特征；

对所述分类图像进行目标检测，得到所有分类图像所出现物品的物品信息，所述物品信息包括物品类别、位置信息和类别置信度；

根据所述物品信息统计各个物品类别的出现频率，并提取出现频率高的若干类物品，根据所述物品信息计算每个物品之间的共现相关性和空间相关性，得到所述分类图像中不同物品类别之间的相关性矩阵；

将所述相关性矩阵输入所述GCN网络进行非线性变换，得到所述分类图像的局部特征；

对所述全局特征和局部特征进行特征融合，得到融合特征，并通过softmax函数计算所述融合特征所属场景类型的概率，以概率最高的场景类型作为分类结果。

第二方面，本发明实施例提供了一种房屋场景分类装置，包括客户端和服务端：

获取模块，用于获取分类图像和预训练的分类模型，所述分类模型包括SENet网络和GCN网络；

全局特征提取模块，用于利用所述SENet网络对所述分类图像进行特征提取，得到所述分类图像的全局特征；

目标检测模块，用于对所述分类图像进行目标检测，得到所有分类图像所出现物品的物品信息，所述物品信息包括物品类别、位置信息和类别置信度；

计算模块，用于根据所述物品信息统计各个物品类别的出现频率，并提取出现频率高的若干类物品，根据所述物品信息计算每个物品之间的共现相关性和空间相关性，得到所述分类图像中不同物品类别之间的相关性矩阵；

变换模块，用于将所述相关性矩阵输入所述GCN网络进行非线性变换，得到所述分类图像的局部特征；

分类模块，用于对所述全局特征和局部特征进行特征融合，得到融合特征，并通过softmax函数计算所述融合特征所属场景类型的概率，以概率最高的场景类型作为分类结果。