CN107766820A - 图像分类方法及装置 - Google Patents

Abstract

本公开是关于一种图像分类方法及装置。该方法包括：接收待分类的图像；利用卷积神经网络，确定待分类的图像的类型为一次成像图像或二次成像图像，其中，卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，卷积子层包括卷积结构为膨胀卷积的卷积子层。本公开的实施例，通过接收待分类的图像，并利用具有膨胀卷积结构的卷积神经网络，确定该待分类的图像的类型为一次成像图像或二次成像图像，从而实现通过卷积神经网络快速、准确区分一次成像图像和二次成像图像。

Description

图像分类方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像分类方法及装置。

背景技术

活体检测技术被广泛应用于生活中的各个方面。例如，人脸活体检测技术就被应用于身份认证等方面。举例来说，可以通过让用户眨眼睛、摇头等方式对用户进行身份认证。然而，活体图像极易用照片、视频等方式进行复制，从而影响活体检测的效果，进而威胁相应系统的安全性和可靠性。

发明内容

为克服相关技术中存在的问题，本公开提供一种图像分类方法及装置。

根据本公开实施例的第一方面，提供一种图像分类方法，包括：

接收待分类的图像；

利用卷积神经网络，确定所述待分类的图像的类型为一次成像图像或二次成像图像，

其中，所述卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，所述卷积子层包括卷积结构为膨胀卷积的卷积子层。

对于以上方法，在一种可能的实现方式中，每组卷积层后连接一个池化层，所述池化层的步长小于所述池化层的池化窗口的尺寸。

对于以上方法，在一种可能的实现方式中，所述卷积神经网络包括五组卷积层，第四组卷积层的第三卷积子层以及第五组卷积层的第三卷积子层的卷积结构为膨胀卷积。

对于以上方法，在一种可能的实现方式中，所述方法还包括：

根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。

对于以上方法，在一种可能的实现方式中，根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络，包括：

获取一次成像图像样本集和对应的二次成像图像样本集；

将所述一次成像图像样本集和对应的二次成像图像样本集输入到所述卷积神经网络中，对所述卷积神经网络进行训练，通过后向传递算法确定所述卷积神经网络的目标参数。

根据本公开实施例的第二方面，提供一种图像分类装置，包括：

接收模块，用于接收待分类的图像；

确定模块，用于利用卷积神经网络，确定所述待分类的图像的类型为一次成像图像或二次成像图像，

其中，所述卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，所述卷积子层包括卷积结构为膨胀卷积的卷积子层。

对于上述装置，在一种可能的实现方式中，每组卷积层后连接一个池化层，所述池化层的步长小于所述池化层的池化窗口的尺寸。

对于上述装置，在一种可能的实现方式中，所述卷积神经网络包括五组卷积层，第四组卷积层的第三卷积子层以及第五组卷积层的第三卷积子层的卷积结构为膨胀卷积。

对于上述装置，在一种可能的实现方式中，所述装置还包括：

训练模块，用于根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。

对于上述装置，在一种可能的实现方式中，所述训练模块包括：

获取子模块，用于获取一次成像图像样本集和对应的二次成像图像样本集；

训练子模块，用于将所述一次成像图像样本集和对应的二次成像图像样本集输入到所述卷积神经网络中，对所述卷积神经网络进行训练，通过后向传递算法确定所述卷积神经网络的目标参数。

根据本公开实施例的第三方面，提供一种图像分类装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述方法。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行上述图像分类方法。

本公开的实施例提供的技术方案可以包括以下有益效果：通过接收待分类的图像，并利用具有膨胀卷积结构的卷积神经网络，确定该待分类的图像的类型为一次成像图像或二次成像图像，从而实现通过卷积神经网络快速、准确区分一次成像图像和二次成像图像。

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，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是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2是根据一示例性实施例示出的一种膨胀卷积的示意图。

图3是根据一示例性实施例示出的一种图像分类方法的卷积神经网络的示意图。

图4是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6是根据一示例性实施例示出的一种图像分类方法的应用场景的示意图。

图7是根据一示例性实施例示出的一种图像分类装置的框图。

图8是根据一示例性实施例示出的一种图像分类装置的框图。

图9是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

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种图像分类方法的流程图。如图1所示，该方法用于终端设备中，例如，手机、平板电脑等。该图像分类方法包括：

在步骤S11中，接收待分类的图像；

在步骤S12中，利用卷积神经网络，确定所述待分类的图像的类型为一次成像图像或二次成像图像，

其中，所述卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，所述卷积子层包括卷积结构为膨胀卷积的卷积子层。

根据本公开的实施例，通过接收待分类的图像，并利用包含膨胀卷积结构的卷积神经网络对待分类的图像进行分类，确定该待分类的图像的类型为一次成像图像或二次成像图像，从而实现通过卷积神经网络快速、准确区分一次成像图像和二次成像图像。

其中，一次成像图像可包括对活体(例如真实的人的面部)直接拍摄得到的图像，二次成像图像可包括对包含活体的图像(例如包含人的面部的照片、视频等)进行拍摄的得到的图像。该卷积神经网络可以为训练好的，可以用于确定待分类的图像的类型的卷积神经网络。

举例来说，该终端设备可以接收待分类的图像，并利用卷积神经网络，确定该待分类的图像的类型为一次成像图像或二次成像图像。例如，该终端设备可以将接收到的待分类的图像(例如，待分类的人脸图像)输入到该卷积神经网络中，由该卷积神经网络对该待分类的图像进行特征提取，并根据提取到的特征，确定该待分类的图像的类型为一次成像图像或者二次成像图像。例如，该卷积神经网络可以将对待分类的人脸图像进行卷积得到的特征图像(feature map)输入到其全连接层中进行分类，得到该待分类的人脸图像的类型(例如，可以得到该待分类的人脸图像的类型为一次成像人脸图像或者二次成像人脸图像)。

其中，该卷积神经网络可以包括多组卷积层，每组卷积层中可以包括至少一个卷积子层，卷积子层包括卷积结构为膨胀卷积的卷积子层。举例来说，该卷积神经网络可以包括多组卷积层(例如，五组卷积层)，每组卷积层后连接一个池化层，每组卷积层可以包括至少一个卷积子层。例如，待分类的图像输入到该卷积神经网络中，该卷积神经网络第一组卷积层(例如，两个卷积子层)、第一池化层、第二组卷积层(例如，两个卷积子层)、第二池化层、第三组卷积层(例如，三个卷积子层)、第三池化层、第四组卷积层(例如，三个卷积子层)、第四池化层、第五组卷积层(例如，三个卷积子层)以及第五池化层依次对该待分类的图像进行特征提取，得到与该待分类的图像所对应的特征图像，该卷积神经网络可以依据该特征图像确定该待分类的图像的类型为一次成像图像或者二次成像图像。其中，卷积子层包括卷积结构为膨胀卷积的卷积子层是指，该卷积神经网络包括多组卷积层的多个卷积子层中至少一个卷积子层的卷积结构为膨胀卷积。

图2是根据一示例性实施例示出的一种膨胀卷积的示意图。在一种可能的实现方式中，如图2所示，该膨胀卷积为空洞大小为1的膨胀卷积，卷积核的大小为3*3。该卷积子层在特征提取过程中，图2中圆圈的点可以和3*3的卷积核进行卷积操作，其余的点(空洞)不进行卷积操作。可见，膨胀卷积可以提高卷积的可视野。

图3是根据一示例性实施例示出的一种图像分类方法的卷积神经网络的示意图。在一种可能的实现方式中，所述卷积神经网络包括五组卷积层，第四组卷积层的第三卷积子层以及第五组卷积层的第三卷积子层的卷积结构为膨胀卷积。如图3所示，所述卷积神经网络可以是在vgg16基础上改进的卷积神经网络。

举例来说，该卷积神经网络包括五组卷积层，分别为第一组卷积层conv1(包括conv1-1和conv1-2两个卷积子层)、第二组卷积层conv2(包括conv2-1和conv2-2两个卷积子层)、第三组卷积层conv3(包括conv3-1和conv3-2两个卷积子层)、第四组卷积层conv4(包括conv4-1、conv4-2和conv4-3三个卷积子层)以及第五组卷积层conv5(包括conv5-1、conv5-2和conv5-3三个卷积子层)。其中，第四组卷积层的第三卷积子层(conv4-3)以及第五组卷积层的第三卷积子层(conv5-3)的卷积结构为空洞大小为6的膨胀卷积。该卷积神经网络的第五组卷积层的第三卷积子层(conv5-3)后连接了3层全连接层(Fc6、Fc7以及Fc8)，全连接层可用于分类。

通过这种方式，卷积结构为膨胀卷积的两个卷积子层在对待分类的图像进行特征提取时，可以利用膨胀卷积的特性来提高卷积的可视野，并更好的提取摩尔纹和图像的深度信息，例如，可以利用卷积结构为膨胀卷积的卷积子层更好的提取摩尔纹特征(屏幕里照片或视频二次成像后的主要特征)以及图像的深度信息(纸质照片二次成像后的主要特征)，从而准确判断该待分类的图像的类型，例如，在提取到摩尔纹特征时，可以确定该待分类的图像为屏幕里照片或视频二次成像图像。本领域技术人员应理解，只要该卷积神经网络包括卷积结构为膨胀卷积的卷积子层即可，本公开对卷积神经网络的卷积层的组数、每组卷积层中包括的卷积子层的层数、包括卷积结构为膨胀卷积的卷积子层的数量、分布以及膨胀卷积的空洞大小等不作限制。

在一种可能的实现方式中，每组卷积层后连接一个池化层，所述池化层的步长小于所述池化层的池化窗口的尺寸。

举例来说，第一组卷积层conv1后连接第一池化层、第二组卷积层conv2后连接第二池化层、第三组卷积层conv3后连接第三池化层、第四组卷积层conv4后连接第四池化层以及第五组卷积层conv5后连接第五池化层，各池化层可以为最大池化层(max pooling)。其中，池化层的步长小于该池化层的池化窗口的尺寸。例如，五个池化层的池化窗可以为3*3，第一池化层、第二池化层以及第三池化层的步长为2，第四池化层以及第五池化层的步长为1。

通过这种方式，经过步长小于池化窗口的尺寸的池化层处理后，可以获得较大的特征图像，从而提高特征检测率。本领域技术人员应理解，只要池化层的步长小于该池化层的池化窗口的尺寸即可，本公开对各池化层的池化窗口大小以及相应的步长大小不作限制。

图4是根据一示例性实施例示出的一种图像分类方法的流程图。在一种可能的实现方式中，如图4所示，所示方法还包括：

在步骤S13中，根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。

举例来说，可以采集一次成像人脸照片，可以包括视频、电子照片等，将其作为一次成像图像样本集。对采集到的一次成像人脸照片进行处理，例如，通过手机或相机拍照等方式进行处理，得到对应的二次成像人脸照片，作为对应的二次成像图像样本集。可以根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。这样,可以根据一次成像图像样本集和对应的二次成像图像样本集训练得到可以用于对待分类的图像进行分类，确定待分类的图像是一次成像图像或二次成像图像的卷积神经网络。本领域技术人员应理解，可以采用相关技术训练卷积神经网络，只要可以训练出能够对待分类的图像进行分类的卷积神经网络即可，本公开对此不作限制。

图5是根据一示例性实施例示出的一种图像分类方法的流程图。在一种可能的实现方式中，如图5所示，步骤S13可以包括：

在步骤S131中，获取一次成像图像样本集和对应的二次成像图像样本集；

在步骤S132中，将所述一次成像图像样本集和对应的二次成像图像样本集输入到所述卷积神经网络中，对所述卷积神经网络进行训练，通过后向传递算法确定所述卷积神经网络的目标参数。

举例来说，可以获取一次成像图像样本集和对应的二次成像图像样本集，并将一次成像图像样本集和对应的二次成像图像样本集输入到卷积神经网络中，对该卷积神经网络进行训练，计算误差，并通过后向传递算法确定该卷积神经网络的目标参数，直到该卷积神经网络收敛。这样，可以训练出用于对图像分类(一次成像图像以及二次成像图像两类)的卷积神经网络。本领域技术人员应理解，可以通过相关技术中训练方式训练该卷积神经网络，只要训练好的卷积神经网络可以对图像进行分类即可，本公开对此不作限制。

在一种可能的实现方式中，还可以通过网络微调(funetune)来训练该卷积神经网络。举例来说，可以选择接近于本次训练目的的基础训练模型，并在该基础训练模型的基础上，用获取到一次成像图像样本集和对应的二次成像图像样本集，根据需要对卷积神经网络的进行训练(例如卷积神经网络的后几层进行训练)。通过这种方式，可以加快卷积神经网络训练过程。本领域技术人员应理解，可以采用相关技术实现对卷积神经网络的网络微调，本公开对此不作限制。

应用示例

以下结合“进行活体检测”作为一个示例性应用场景，给出给出根据本公开实施例的应用示例，以便于理解图像分类方法的流程。本领域技术人员应理解，以下应用示例仅仅是出于便于理解本公开实施例的目的，不应视为对本公开实施例的限制。

图6是根据一示例性实施例示出的一种图像分类方法的应用场景的示意图。如图6所述，在该应用示例中，采集真实的人脸图像作为一次成像人脸图像，例如，可以采集大量的人的视频、电子照片、纸质照片等。并通过手机或相机对真实的人脸图像进行拍照处理，将真实的人脸图像处理成对应的二次成像人脸图像，分别作为一次成像人脸图像样本集以及二次成像人脸图像样本集(步骤500)。

在该应用示例中，在vgg16分类网络的基础上搭建卷积神经网络(步骤501)。例如，调整第四组卷积层第三卷积子层以及第五组卷积层第三卷积子层的卷积结构为空洞大小为6的膨胀卷积。第一池化层、第二池化层以及第三池化层的池化窗口大小为3*3，步长为2，第四池化层以及第五池化层的池化窗口大小为3*3，步长为1。

在该应用示例中，获取一次成像人脸图像样本集以及对应的二次成像人脸图像样本集，并输入到搭建的卷积神经网络中进行训练(步骤502)，计算误差，并通过后向传递算法确定该卷积神经网络的目标参数，直到该卷积神经网络收敛。此时，该收敛的卷积神经网络可以用于对待分类的人脸图像进行分类。例如，可以将上述获取到的一次成像人脸图像样本集和对应的二次成像人脸图像样本集输入到搭建的卷积神经网络中，利用获取到的一次成像人脸图像样本集和对应的二次成像人脸图像样本集训练该卷积神经网络，直到该卷积神经网络收敛。

在该应用示例中，终端设备可以接收待分类的人脸图像(步骤503)，并利用卷积神经网络，确定该待分类的人脸图像的类型为一次成像人脸图像或二次成像人脸图像(步骤504)。例如，用户a在打开该终端设备的A软件(设置了人脸识别模式)时，进入人脸识别模式。此时，该终端设备可以通过摄像头拍摄人脸图像(待分类的人脸图像)，该终端设备可能拍摄的是该用户a的真实人脸图像(例如，该用户a的脸正好位于该摄像头前)，还可能拍摄到的是二次成像人脸图像(例如，该用户a拿着用户b的照片放在该摄像头前，该A软件的账户是用户b的，用户a试图拿用户b的照片进入该软件A)，该终端设备可以将拍摄的人脸图像输入到该卷积神经网络中，确定该人脸图像的类型为一次成像人脸图像或者二次成像人脸图像。在确定该人脸图像为二次成像人脸图像时，则拒绝该用户进入软件。在确定该人脸图像为一次成像人脸图像时(为该软件A的用户)，可以允许该用户进入软件。

根据本公开的实施例，通过接收待分类的图像，并利用包含膨胀卷积结构的卷积神经网络对待分类的图像进行分类，确定该待分类的图像的类型为一次成像图像或二次成像图像，从而实现通过卷积神经网络快速、准确区分一次成像图像和二次成像图像。

图7是根据一示例性实施例示出的一种图像分类装置的框图。参照图7，该装置包括接收模块61和确定模块62。

该接收模块61，被配置为接收待分类的图像；

该确定模块62，被配置为利用卷积神经网络，确定所述待分类的图像的类型为一次成像图像或二次成像图像，

其中，所述卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，所述卷积子层包括卷积结构为膨胀卷积的卷积子层。

在一种可能的实现方式中，每组卷积层后连接一个池化层，所述池化层的步长小于所述池化层的池化窗口的尺寸。

在一种可能的实现方式中，所述卷积神经网络包括五组卷积层，第四组卷积层的第三卷积子层以及第五组卷积层的第三卷积子层的卷积结构为膨胀卷积。

图8是根据一示例性实施例示出的一种图像分类装置的框图。参照图8，在一种可能的实现方式中，所述装置还包括：

训练模块63，被配置为根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。

参照图8，在一种可能的实现方式中，所述训练模块63包括：

获取子模块631，被配置为获取一次成像图像样本集和对应的二次成像图像样本集；

训练子模块632，被配置为将所述一次成像图像样本集和对应的二次成像图像样本集输入到所述卷积神经网络中，对所述卷积神经网络进行训练，通过后向传递算法确定所述卷积神经网络的目标参数。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种图像分类装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种图像分类方法，其特征在于，包括：

接收待分类的图像；

利用卷积神经网络，确定所述待分类的图像的类型为一次成像图像或二次成像图像，其中，所述卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，所述卷积子层包括卷积结构为膨胀卷积的卷积子层。

2.根据权利要求1所述的方法，其特征在于，每组卷积层后连接一个池化层，所述池化层的步长小于所述池化层的池化窗口的尺寸。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括五组卷积层，第四组卷积层的第三卷积子层以及第五组卷积层的第三卷积子层的卷积结构为膨胀卷积。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。

5.根据权利要求4所述的方法，其特征在于，根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络，包括：

获取一次成像图像样本集和对应的二次成像图像样本集；

将所述一次成像图像样本集和对应的二次成像图像样本集输入到所述卷积神经网络中，对所述卷积神经网络进行训练，通过后向传递算法确定所述卷积神经网络的目标参数。

6.一种图像分类装置，其特征在于，包括：

接收模块，用于接收待分类的图像；

确定模块，用于利用卷积神经网络，确定所述待分类的图像的类型为一次成像图像或二次成像图像，

其中，所述卷积神经网络包括多组卷积层，每组卷积层中包括至少一个卷积子层，所述卷积子层包括卷积结构为膨胀卷积的卷积子层。

7.根据权利要求6所述的装置，其特征在于，每组卷积层后连接一个池化层，所述池化层的步长小于所述池化层的池化窗口的尺寸。

8.根据权利要求6所述的装置，其特征在于，所述卷积神经网络包括五组卷积层，第四组卷积层的第三卷积子层以及第五组卷积层的第三卷积子层的卷积结构为膨胀卷积。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

训练模块，用于根据一次成像图像样本集和对应的二次成像图像样本集，训练卷积神经网络。

10.根据权利要求9所述的装置，其特征在于，所述训练模块包括：

获取子模块，用于获取一次成像图像样本集和对应的二次成像图像样本集；

训练子模块，用于将所述一次成像图像样本集和对应的二次成像图像样本集输入到所述卷积神经网络中，对所述卷积神经网络进行训练，通过后向传递算法确定所述卷积神经网络的目标参数。

11.一种图像分类装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1-5中任意一项所述的方法。

12.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行根据权利要求1-5中任意一项所述的方法。