训练图像分类模型、图像分类方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例提供一种训练图像分类模型、图像分类方法、装置、设备及介质，所述方法包括：获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；基于融合图像和融合图像的标签进行图像分类模型的训练。本实施例可以提高图像分类模型的类别预测准确率。

【技术实现步骤摘要】
训练图像分类模型、图像分类方法、装置、设备及介质
本专利技术涉及数据处理领域，尤其涉及训练图像分类模型、图像分类方法、装置、设备及介质。
技术介绍
图像分类，可以是对于给定图片，判断其包含的目标对象所属类别。目标对象的类别可以作为图像所属类别。图像分类是图像处理领域中的一个重要方面。在图像处理领域，很多图像处理需要根据图像分类的结果来进行。因此，图像分类的有效性和准确度对图像处理领域中的很多图像处理起着至关重要的作用。目前，对图像进行分类，可以采用机器学习方法从训练样本集中学习图像特征到标签的映射关系，从而获得能预测图像类别的图像分类模型。然而，在训练过程中，可能由于训练样本集中样本图像多样性不足，导致利用训练获得的图像分类模型进行类别预测时出现类别预测错误的情况。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供了训练图像分类模型、图像分类方法、装置、设备及介质。根据本专利技术实施例的第一方面，提供一种训练图像分类模型的方法，所述方法包括：获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；基于融合图像和融合图像的标签进行图像分类模型的训练。在一个可选的实施例中，所述加权系数随机生成。在一个可选的实施例中，所述将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，包括：获取每张样本图像中坐标相同的像素点，将所获取的像素点按所在样本图像的加权系数进行加权运算，获得融合图像。在一个可选的实施例中，所述样本图像的标签为单类别标签，和/或，所述样本图像的标签为独热码形式的标签。根据本专利技术实施例的第二方面，提供一种图像分类方法，所述方法包括：利用上述任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。在一个可选的实施例中，所述利用所述图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别，包括：利用图像分类模型提取待分类图像中的图像特征；依据图像分类模型中图像特征与标签的映射关系，预测与待分类图像的图像特征对应的标签，获得所述待分类图像中目标对象的类别。根据本专利技术实施例的第三方面，提供一种训练图像分类模型的装置，所述装置包括：系数获得模块，用于获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；融合处理模块，用于将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；加权运算模块，用于按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；模型训练模块，用于基于融合图像和融合图像的标签进行图像分类模型的训练。在一个可选的实施例中，所述加权系数随机生成。在一个可选的实施例中，所述融合处理模块具体用于：获取每张样本图像中坐标相同的像素点，将所获取的像素点按所在样本图像的加权系数进行加权运算，获得融合图像。在一个可选的实施例中，所述样本图像的标签为单类别标签，和/或，所述样本图像的标签为独热码形式的标签。根据本专利技术实施例的第四方面，提供一种图像分类装置，所述装置包括：类别预测模块，用于利用上述任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。在一个可选的实施例中，所述类别预测模块具体用于：利用图像分类模型提取待分类图像中的图像特征；依据图像分类模型中图像特征与标签的映射关系，预测与待分类图像的图像特征对应的标签，获得所述待分类图像中目标对象的类别。根据本专利技术实施例的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下方法：获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；基于融合图像和融合图像的标签进行图像分类模型的训练。根据本专利技术实施例的第六方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下方法：利用上述任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。根据本专利技术实施例的第七方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述训练图像分类模型的方法的步骤。根据本专利技术实施例的第八方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述图像分类方法的步骤。本专利技术的实施例提供的技术方案可以包括以下有益效果：本专利技术实施例将至少两张已被标注有标签的样本图像，按每张图片各自对应的加权系数进行加权融合处理，获得融合图像，并按样本图像的加权系数对样本图像的标签进行加权运算，获得融合图像的标签，将融合图像和融合图像的标签也用于进行图像分类模型的训练，可以弥补原训练样本集中样本多样性不足的问题，进而提高图像分类模型的类别预测准确率，也就是说相对比目前的单标签分类方法，可以通过输入样本图像的加权构建类间样本，进而填充类间间隔，使得分类器更好的学习分类决策，提升算法的准确率和鲁棒性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本专利技术的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是本专利技术根据一示例性实施例示出的一种单目标图像示意图。图2是本专利技术根据一示例性实施例示出的一种训练图像分类模型的方法的流程图。图3A是本专利技术根据一示例性实施例示出的另一种训练图像分类模型的方法的流程图。图3B是本专利技术根据一示例性实施例示出的一种图像分类模型训练过程的示意图。图4是本专利技术根据一示例性实施例示出的一种图像分类方法的流程图。图5是本专利技术训练图像分类模型的装置所在计算机设备的一种硬件结构图。图6是本专利技术图像分类装置所在计算机设备的一种硬件结构图。图7是本专利技术根据一示例性实施例示出的一种训练图像分类模型的装置的框图。图8是本专利技术根据一示例性实施例示出的一种图像分类装置的框图。具体实施方式本文档来自技高网...

【技术保护点】
1.一种训练图像分类模型的方法，其特征在于，所述方法包括：/n获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；/n将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；/n按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；/n基于融合图像和融合图像的标签进行图像分类模型的训练。/n

【技术特征摘要】
1.一种训练图像分类模型的方法，其特征在于，所述方法包括：
获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；
将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；
按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；
基于融合图像和融合图像的标签进行图像分类模型的训练。


2.根据权利要求1所述的方法，其特征在于，所述加权系数随机生成。


3.根据权利要求1所述的方法，其特征在于，所述将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，包括：
获取每张样本图像中坐标相同的像素点，将所获取的像素点按所在样本图像的加权系数进行加权运算，获得融合图像。


4.根据权利要求1至3任一项所述的方法，其特征在于，所述样本图像的标签为单类别标签，和/或，所述样本图像的标签为独热码形式的标签。


5.一种图像分类方法，其特征在于，所述方法包括：
利用权利要求1-4任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。


6.根据权利要求5所述的方法，其特征在于，所述利用所述图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别，包括：
利用图像分类模型提取待分类图像中的图像特征；
依据图像分类模型中图像特征与标签的映射关系，预测与待分类图像的图像特征对应的标签，获得所述待分类图像中目标对象的类别。


7.一种训练图像分类模型的装置，其特征在于，所述装置包括：
系数获得模块，用于获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签；
融合处理模块，用于将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；
加权运算模块，用于按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签；
模型训练模块，用于基...

【专利技术属性】
技术研发人员：张鹏，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33