CN111104832A - 图像标签获取方法、图像标签获取装置以及电子设备 - Google Patents

图像标签获取方法、图像标签获取装置以及电子设备 Download PDF

Info

Publication number
CN111104832A
CN111104832A CN201811269073.5A CN201811269073A CN111104832A CN 111104832 A CN111104832 A CN 111104832A CN 201811269073 A CN201811269073 A CN 201811269073A CN 111104832 A CN111104832 A CN 111104832A
Authority
CN
China
Prior art keywords
image
feature
training
tensor
response
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811269073.5A
Other languages
English (en)
Other versions
CN111104832B (zh
Inventor
张伟
钟永沣
谭啸
周峰
孙昊
丁二锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811269073.5A priority Critical patent/CN111104832B/zh
Publication of CN111104832A publication Critical patent/CN111104832A/zh
Application granted granted Critical
Publication of CN111104832B publication Critical patent/CN111104832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种图像标签获取方法、图像标签获取装置以及电子设备。所述图像标签获取方法包括：获取待分析图像的至少一个第一图像特征张量以及至少两个第二图像特征张量；第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；每个第二图像特征张量含有另一种；基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；基于各个特征响应图生成特征向量；以及将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取该分类器组中的分类器输出的标签结果。本申请能够将分类器含义与标签种类含义结合并使结果更准确。

Description

图像标签获取方法、图像标签获取装置以及电子设备
技术领域
本申请属于图像识别技术领域，特别涉及一种图像标签获取方法、图像标签获取装置、训练分类器的方法、训练分类器的装置。
背景技术
对于车辆定损，现有技术通常仅仅可以提取待分析车辆图像的车辆部件类型以及提取待分析车辆图像的车辆损伤类型。然而，无法有机的将两者结合起来，或者只能通过使用者来进行人为结合，从而费时费力。
因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
发明内容
本申请的目的是提供了一种图像标签获取方法，以解决上述至少一方面的问题。
在本申请的第一方面，一种图像标签获取方法，图像标签获取方法包括：获取待分析图像的至少一个第一图像特征张量以及至少两个第二图像特征张量；其中，第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；每个第二图像特征张量含有待分析图像的区域识别结果信息或待分析图像的区域类型信息中的另一种；基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；基于各个特征响应图生成特征向量；以及将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取该分类器组中的分类器输出的标签结果。
根据本申请的至少一个实施方式，基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图包括：将第一图像特征张量与第二图像特征张量分别进行一次双线性融合池化，从而形成两个以上的特征响应图。
根据本申请的至少一个实施方式，基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图之后包括：将各个特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组；基于各个特征响应图生成特征向量包括：基于各个特征响应图以及基于各个特征响应图生成的各个归一化特征响应图组生成特征向量。
根据本申请的至少一个实施方式，将各个特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组包括：将各个特征响应图中的一个或多个进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而基于进行归一化的特征响应图形成与归一化类型相对应的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个，每个特征响应图对应的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个组成与特征响应图相对应的归一化特征响应图组。
根据本申请的至少一个实施方式，基于各个特征响应图生成特征向量包括：将各个特征响应图展平，形成多个一维特征向量；将基于各个特征响应图获得的各个归一化特征响应图组展平，形成多个归一化特征向量；将各个一维特征向量以及各个归一化特征向量组合形成特征向量。
根据本申请的至少一个实施方式，基于各个特征响应图生成特征向量包括：将各个特征响应图展平，形成多个一维特征向量；将各个一维特征向量组合形成特征向量。
根据本申请的至少一个实施方式，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同。
根据本申请的至少一个实施方式，第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同。
根据本申请的至少一个实施方式，任意一个特征响应图中所基于的第二图像特征张量与其他特征响应图中所基于的第二图像特征张量不同。
根据本申请的至少一个实施方式，待分析图像的区域类型信息包括待分析图像的区域类型通道维度以及区域置信度信息；第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同是指：各个第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
根据本申请的至少一个实施方式，待分析图像的区域识别结果信息包括待分析图像的区域识别结果通道维度以及识别结果置信度信息；其中，第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同是指：各个第二图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
根据本申请的至少一个实施方式，待分析图像的区域类型信息包括待分析图像的区域类型通道维度以及区域置信度信息；待分析图像的区域识别结果信息包括待分析图像的区域识别结果通道维度以及识别结果置信度信息；以及将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取分类器组中分类器输出的标签结果包括：根据区域类型通道维度或区域识别结果通道维度生成一个或者多个预先训练的分类器，从而形成分类器组；将特征向量分别输入分类器；以及获取分类器组中分类器输出的标签结果。
根据本申请的至少一个实施方式，待分析图像为交通工具图像。
根据本申请的至少一个实施方式，交通工具图像中的交通工具为汽车、飞机或者铁路交通工具中的一种；交通工具图像中的区域类型信息为部件可拆分类型数量信息；以及标签结果为损伤识别结果。
在本申请的第二个方面，本申请提供了一种图像标签获取装置，图像标签获取装置包括：第一获取模块，第一获取模块用于获取待分析图像的至少一个第一图像特征张量；其中，第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；第二获取模块，第二获取模块用于获取待分析图像的至少两个第二图像特征张量；其中，每个第二图像特征张量均含有待分析图像的区域识别结果信息或待分析图像的区域类型信息中的另一种；特征响应图生成模块，特征响应图生成模块用于基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；特征向量生成模块，特征向量生成模块用于基于各个特征响应图生成特征向量；输入模块，输入模块用于将特征向量输入预先训练的分类器组中；以及标识获取模块，标识获取模块用于获取分类器组中的分类器输出的标签结果。
根据本申请的至少一个实施方式，特征响应图生成模块包括：两个以上双线性融合池化模块，一个双线性融合池化模块用于对一个第一图像特征张量与一个第二图像特征张量进行一次双线性融合池化。
根据本申请的至少一个实施方式，图像标签获取装置包括归一化模块，归一化模块用于将各个特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组。
根据本申请的至少一个实施方式，特征向量生成模块包括：第一展平模块，第一展平模块用于将各个特征响应图展平，形成多个一维特征向量；第二展平模块，第二展平模块用于将基于特征响应图获得的归一化特征响应图组展平，形成多个归一化特征向量；以及特征向量组合模块，特征向量组合模块用于将多个一维特征向量以及各个归一化特征向量组合形成特征向量。
在本申请的第三个方面，本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的图像标签获取方法。
在本申请的第四个方面，本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的图像标签获取方法。
在本申请的第五个方面，本申请提供了一种训练分类器的方法，训练分类器的方法包括：获取各个训练样本图像的至少一个第一训练图像特征张量以及至少两个第二训练图像特征张量；其中，每个第一训练图像特征张量含有训练样本图像的区域类型信息或区域识别结果信息中的一个；每个第二训练图像特征张量含有训练样本图像的区域识别结果信息或区域类型信息中的另一个；基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量；以及通过各个训练特征向量训练根据区域类型信息或区域识别结果信息形成的待训练的分类器组中训练分类器组。
根据本申请的至少一个实施方式，基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图包括：将每个训练样本图像中的第一训练图像特征张量与第二训练图像特征张量分别进行双线性融合池化，从而形成两个以上的特征响应图。
根据本申请的至少一个实施方式，基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图之后包括：将每个训练样本图像中的各个训练特征响应图中的一个或多个进行归一化，从而得到每个训练特征响应图所对应的归一化训练特征响应图组；基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量包括：基于每个训练样本图像中的各个特征响应图以及基于每个特征响应图相对应的归一化训练特征响应图组生成该对应的训练样本图像的特征向量。
根据本申请的至少一个实施方式，将每个训练样本图像中的各个训练特征响应图中的一个或多个进行归一化，从而得到每个训练特征响应图所对应的归一化训练特征响应图组包括：将每个训练特征响应图中的一个或多个进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而基于进行归一化的训练特征响应图形成与归一化类型相对应的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个，每个训练特征响应图对应的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个组成归一化训练特征响应图组。
根据本申请的至少一个实施方式，基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量包括：将各个训练特征响应图展平，形成多个一维训练特征向量；将基于特征响应图获得的归一化训练特征响应图组展平，形成多个归一化训练特征向量；将各个一维训练特征向量以及各个归一化训练特征向量组合形成训练特征向量。
根据本申请的至少一个实施方式，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同。
根据本申请的至少一个实施方式，在任意一个训练样本图像中，第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同。
根据本申请的至少一个实施方式，在任意一个训练样本图像中，任意一个特征响应图中所基于的第二图像特征张量与其他特征响应图中所基于的第二图像特征张量不同。
根据本申请的至少一个实施方式，每个训练样本图像的区域类型信息包括训练样本图像的区域类型通道维度以及区域置信度信息；在任意一个训练样本图像中，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同是指：各个第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
根据本申请的至少一个实施方式，每个训练样本图像的区域识别结果信息包括待分析图像的区域识别结果通道维度以及识别结果置信度信息；其中，第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同是指：各个第二图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
在本申请的第六个方面，本申请提供了一种训练分类器的装置，训练分类器的装置包括：第一训练获取模块，第一训练获取模块用于获取各个训练样本图像的至少一个第一训练图像特征张量；其中，每个第一训练图像特征张量均含有训练样本图像的区域类型信息或区域识别结果信息中的一个；第二训练获取模块，第二训练获取模块用于获取各个训练样本图像的至少两个第二训练图像特征张量；其中，每个第二训练图像特征张量均含有训练样本图像的区域识别结果信息或区域类型信息中的另一个；训练特征响应图生成模块，训练特征响应图生成模块用于基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；训练特征向量生成模块，训练特征向量生成模块用于基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量；训练模块，训练模块用于将各个训练特征向量输入至根据区域类型信息或区域识别结果信息形成的待训练的分类器组中训练分类器组。
本申请的第七个方面，本申请提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的训练分类器的方法。
在本申请的第八个方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的训练分类器的方法。
本申请至少存在以下有益技术效果：
本申请通过至少一个第一图像特征张量与至少两个第二图像特征张量进行任意组合，从而形成两个以上特征响应图，基于各个特征响应图生成特征向量，并将特征向量输入到各个分类器中，从而获得分类器与该分类器对应得到的标签结果，从而将分类器含义与标签结果含义结合。并使标签结果更精确。
附图说明
图1是本申请一个实施方式提供的图像标签获取方法的流程示意图；
图2是本申请一个实施方式提供的图像标签获取装置的结构示意图；
图3是图2所述的图像标签获取装置中归一化模块的结构示意图；
图4是图2所述的图像标签获取装置中特征向量生成模块的结构示意图；
图5是能够实现根据本申请一个实施例提供的图像标签获取方法的计算设备的示例性结构图。
图6是本申请一个实施方式提供的训练分类器的方法的流程示意图；
图7是本申请一个实施方式提供的训练分类器的装置的结构示意图；
图8是图7所述的训练分类器的装置中特征向量生成模块的结构示意图；
图9是图7所述的训练分类器的装置中归一化模块的结构示意图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
需要说明的是，在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
图1是本申请一个实施方式提供的图像标签获取方法的流程示意图。
如图1所示的图像标签获取方法包括：
S101:获取待分析图像的至少一个第一图像特征张量以及至少两个第二图像特征张量；其中，第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；每个第二图像特征张量含有待分析图像的区域识别结果信息或待分析图像的区域类型信息中的另一种；
S102:基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；
S103:基于各个特征响应图生成特征向量；以及
S104:将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取该分类器组中各个分类器输出的标签结果。
可以理解的是，在本申请中，当第一图像特征张量含有待分析图像的区域类型信息时，每个第二图像特征张量含有待分析图像的区域识别结果信息；当第一图像特征张量含有待分析图像的区域识别结果信息时，每个第二图像特征张量含有待分析图像的区域类型信息。为了叙述方便，在下述叙述中，如无特别说明，则以第一图像特征张量含有待分析图像的区域类型信息时，每个第二图像特征张量含有待分析图像的区域识别结果信息为例。
在一个实施例中，待分析图像的至少一个第一图像特征张量含有待分析图像的区域类型信息；第二图像特征张量含有区域识别结果信息；基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；基于各个特征响应图生成特征向量；将特征向量输入预先训练的分类器组中，获取该组分类器组中各个分类器输出的标签结果。
在另一个实施例中，待分析图像的至少一个第一图像特征张量含有待分析图像的区域识别结果信息；第二图像特征张量含有待分析图像的区域类型信息；基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图，基于各个特征响应图生成特征向量；将特征向量输入预先训练的一组分类器组中，获取该组分类器组中各个分类器输出的标签结果。
本申请至少存在以下有益技术效果：
本申请通过至少一个第一图像特征张量与至少两个第二图像特征张量进行任意组合，从而形成两个以上特征响应图，基于各个特征响应图生成特征向量，并将特征向量输入到各个分类器中，从而获得分类器与该分类器对应得到的标签结果，从而将分类器含义与标签结果含义结合。并使标签结果更精确。通过任意组合的方式，可以通过增加第一图像特征张量或第二图像特征张量来增加识别准确性。
在本实施例中，第一图像特征张量为至少两个时，各个第一图像特征张量所含有的待分析图像的区域类型信息或区域识别结果信息不同。
在本实施例中，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同。
在本实施例中，第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同。
有利的是，本申请中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图。任意一个特征响应图中所基于的第一图像特征张量与其他特征响应图中所基于的第一图像特征张量不同和/或任意一个特征响应图中所基于的第二图像特征张量与其他特征响应图中所基于的第二图像特征张量不同。
举例来说，可以是任意一个特征响应图中所基于的第一图像特征张量与其他特征响应图中所基于的第一图像特征张量不同。
可以是任意一个特征响应图中所基于的第二图像特征张量与其他特征响应图中所基于的第二图像特征张量不同。
也可以是任意一个特征响应图中所基于的第一图像特征张量与其他特征响应图中的所基于的第一图像特征张量不同且任意一个特征响应图中所基于的第二图像特征张量与其他特征响应图中所基于的第二图像特征张量不同。
在本实施例中，基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图包括：
将第一图像特征张量与第二图像特征张量分别进行一次双线性融合池化，从而形成两个以上的特征响应图。
在一个实施例中，将每个第一图像特征张量与每个第二图像特征张量分别进行一次双线性融合池化，即任意一个第一图像特征张量只与一个第二图像特征张量进行一次融合。
可以理解的是，在另一个实施例中，一个第一图像特征张量可以与多个第二图像特征张量分别进行双线性融合池化，同样地，一个第二图像特征张量也可以与多个第一图像特征张量分别进行双线性融合池化。
即可以根据使用者的需要，对第一图像特征张量与第二图像特征张量进行任意形式的组合，只要最后生成两个特征响应图即可。
通过至少两次的双线性融合池化，从而使各个特征响应图有效地将区域类型信息或区域识别结果信息进行融合。从而将分类器含义与标签结果含义进行联系挂钩，从而形成高精度的结果。
举例来说，在一个具有一个第一图像特征张量以及两个第二图像特征张量的实施例中，将第一图像特征张量与一个第二图像特征张量进行一次双线性融合池化，将该第一图像特征张量与另一个第二图像特征张量进行一次双线性融合池化，从而形成两个特征响应图。
举例来说，在具有两个第一图像特征张量以及两个第二图像特征张量的实施例中，为了叙述方便，一个第一图像特征张量称为A图像特征张量、另一个第一图像特征张量称为B图像特征张量，一个第二图像特征张量称为C图像特征张量，另一个图像特征张量称为D图像特征张量。此时，将A图像特征张量与C图像特征张量进行一次双线性融合池化，将A图像特征张量与D图像特征张量进行一次双线性融合池化，将B图像特征张量与C图像特征张量进行一次双线性融合池化，将B图像特征张量与D图像特征张量进行一次双线性融合池化，从而形成四个特征响应图。
可以理解的是，也可以根据使用者需要自行决定选择性地进行双线性融合池化。例如，在具有A图像特征张量、B图像特征张量、C图像特征张量、D图像特征张量的实施例中，也可以选择性的将A图像特征张量与D图像特征张量进行一次双线性融合池化，将B图像特征张量与D图像特征张量进行一次双线性融合池化，从而形成两个特征响应图。
可以理解的是，使用者可以根据需要增加第一图像特征张量的数量和/或增加第二图像特征张量的数量，从而可以增加结果的精确度，也可以根据使用者的经验适当确定第一图像特征张量的数量和/或第二图像特征张量的数量。另外，增加第一图像特征张量和/或第二图像特征张量的数量也即是增加特征响应图的数量。为了叙述方便，在下面的叙述中会进行举例，在此不再详述。
可以理解的是，在一个备选实施例中，也可以采用拼接的方式将各个第一图像特征张量与各个第二图像特征张量分别进行一次拼接，从而形成两个以上的特征响应图。
可以理解的是，根据需要，还可以通过其他方式形成两个以上的特征响应图。
在本实施例中，基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图之后包括：
将各个特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组。
基于各个特征响应图生成特征向量包括：
基于各个特征响应图以及基于各个特征响应图归一化生成的各个归一化特征响应图组生成特征向量。
通过归一化的方式，可以提升融合特征稳定性。具体地，归一化可以消除区域类型信息或者区域识别结果信息大小不一对特征表达能力的影响，不同方式的归一化效果互补，提升融合特征稳定性。
在本实施例中，将各个特征响应图进行归一化，从而得到各个特征响应图所对应的各个归一化特征响应图组为：
将各个特征响应图中的一个或多个进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而基于进行归一化的特征响应图形成与归一化类型相对应的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个，每个特征响应图对应的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个组成与特征响应图相对应的归一化特征响应图组。
归一化包括行方向归一化、列方向归一化以及全局归一化，根据使用者的经验或者需要，可以对一个或者多个特征响应图进行某一类归一化，例如，在一个具有2个特征响应图的实施例中，对一个特征响应图进行全局归一化，对另一个特征响应图进行行方向归一化。又例如，在一个具有3个特征响应图的实施例中，对多个特征响应图中的一个进行行方向归一化、列方向归一化以及全局归一化、而对另外两个中的一个特征响应图进行行方向归一化、对另外两个中的另一个特征响应图进行列方向归一化。可以理解的是，还可以根据使用者的需要，进行其他方式的组合。
在本实施例中，基于各个特征响应图生成特征向量为：将各个特征响应图展平，形成多个一维特征向量；将基于各个特征响应图获得的归一化特征响应图组展平，形成多个归一化特征向量；将各个一维特征向量以及各个归一化特征向量组合形成特征向量。
可以理解的是，这里的组合，可以将所有形成的一维特征向量以及各个归一化特征向量全部组合进去，也可以根据使用者的选择，进行挑选性的组合。
可以理解的是，在不进行归一化的实施例中，基于各个特征响应图生成特征向量具体为：
将各个特征响应图展平，形成多个一维特征向量；将多个一维特征向量组合形成特征向量。
在本实施例中，获取待分析图像的第一图像特征张量可以为：通过第一卷积神经网络获取第一图像特征张量；获取待分析图像的第二图像特征张量可以为：通过第二卷积神经网络获取一个第二图像特征张量；
其中，各个第一卷积神经网络均不同且各个第二卷积神经网络均不同。
在本申请中，待分析图像的区域类型信息包括待分析图像的区域尺寸维度、区域类型通道维度以及区域置信度信息；
第一图像特征张量为至少两个且含有区域类型信息时，各个第一图像特征张量所含有的待分析图像的区域类型信息不同，具体是指：
各个第一图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同是指：
各个第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
在本实施例中，待分析图像的区域识别结果信息包括待分析图像的区域识别尺寸维度、区域识别结果通道维度以及识别结果置信度信息。
第一图像特征张量为至少两个且具有区域识别结果信息时，各个第一图像特征张量所含有的待分析图像的区域识别结果信息不同，具体是指：
各个第一图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同是指：
各个第二图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
举例来说，当待分析图像为汽车图像时，具体来说，在本例中，待分析图像为一个汽车的侧视图，本申请分析该图像的目的为为汽车进行定损，即该汽车的某些部位具有什么样的损伤。在该举例中，为了方便叙述，下面仅以具有车门部位、车窗部位以及后视镜部位为准。在该实施例中，损伤类型包括刮擦、凹陷两种。
举例来说，在待分析图像为汽车图像的实施例中，通过第一卷积神经网络获取第一图像特征张量。
在该实施例中，第一图像特征张量包括待分析图像的区域类型信息。
更进一步的说，待分析图像的区域类型信息包括待分析图像的区域尺寸维度、区域类型通道维度以及待分析图像的区域置信度信息。
在该实施例中，区域尺寸维度是指待分析图像(汽车图像)的长度以及宽度(也可为适当的比例)，区域类型通道维度是指区域类型数目，该第一特征张量中包含待分析图像的区域置信度信息。例如，该待分析图像为300像素*300像素的图像，则区域尺寸维度为300*300的矩阵。
在该实施例中，区域类型通道维度是指卷积神经网络中的通道数(卷积核数)，通常在一个实施例中，通道数的数量与部件种类数量相同，通常可以达到几十个，为了叙述方便，在该实施例中，通道数为3个，分别为车门部位通道、车窗部位通道以及后视镜部位通道。
通过上述的区域尺寸维度以及区域类型通道维度，形成了一个300*300*3的三维矩阵。
本申请的区域置信度信息是指三维矩阵内各个点的数值。
在该实施例中，通过第二卷积神经网络获取第二图像特征张量。
在该实施例中，第二图像特征张量包括待分析图像的区域识别结果信息。
更进一步的说，待分析图像的区域识别结果信息包括待分析图像的区域识别尺寸维度、区域识别结果通道维度以及待分析图像的识别结果置信度信息。
在该实施例中，区域尺寸维度是指待分析图像(汽车图像)的长度以及宽度(也可为适当的比例)。在本实施例中，区域识别结果通道维度为区域识别结果类型数目，第二特征张量中包含待分析图像的区域识别结果置信度。
例如，该待分析图像为300像素*300像素的图像，则区域尺寸维度为300*300的矩阵。(由于是对同一待分析图像进行处理，因此，区域尺寸维度是相同的)。
在该实施例中，区域识别结果通道维度是指卷积神经网络中的通道数(卷积核数)，通常在一个实施例中，通道数的数量与部件种类数量相同，通常可以达到几十个，为了叙述方便，在该实施例中，通道数为2个，分别为刮擦通道以及凹陷通道。
通过上述的区域尺寸以及区域识别结果通道维度，形成了一个300*300*2的三维矩阵。
本申请的待分析图像的识别结果置信度信息是指三维矩阵内各个点的数值。
可以理解的是，上述仅仅是一个举例说明，本申请的图像标签获取方法能够适用于不同待分析图像，例如，待分析图像为飞机、毛绒玩具、工程机械等各个领域。可以适用于工程机械的损伤识别、飞机的损伤识别、毛绒玩具的残次率识别等。
例如，当待分析图像为毛绒玩具时，待分析图像的区域类型通道维度可以是毛绒玩具的根据使用者自行拆分的区域，例如，使用者将一个人形毛绒玩具拆分成头部部分、身体部分、胳膊部分等。区域识别结果通道维度可以是根据使用者自行设定的，例如，相同部位颜色偏差，相同部位形状偏差、毛发稀疏度等。
在本实施例中，将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取分类器组中的分类器输出的标签结果包括：
根据区域类型通道维度生成一个或者多个预先训练的分类器，该一个预先训练的分类器或者多个预先训练的分类器形成分类器组；将特征向量分别输入分类器组中的各个分类器；以及获取分类器组中分类器输出的标签结果。
以上面的汽车图像为例，即根据区域类型通道维度生成3个分类器，该3个分类器即形成一个分类器组，将特征向量输入各个分类器，然后获取该组分类器中各个分类器输出的标签结果(在上面的汽车图像实施例中，标签结果为损伤类型)，从而获得该分类器以及该分类器的标签结果，也就是将该汽车图像的区域类型与区域识别结果结合，从而使使用者明确某个区域类型具有什么样的区域识别结果。
在另一个实施例中，将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取分类器组中分类器输出的标签结果包括：
根据区域识别结果通道维度生成一个或者多个分类器，从而形成分类器组；将特征向量分别输入分类器组中的分类器；获取该组分类器中各个分类器输出的标签结果。
以上面的汽车图像为例，即根据区域识别结果通道维度生成2个分类器，该2个分类器即形成一个分类器组，将特征向量输入各个分类器，然后获取该组分类器中各个分类器输出的标签结果(在上面的汽车图像实施例中，标签结果为区域类型)，从而获得该分类器以及该分类器的标签结果，也就是将该汽车图像的区域类型与区域识别结果结合，从而使使用者明确某个区域类型具有什么样的区域识别结果。
在一个实施例中，待分析图像为交通工具图像。
在交通工具图像的实施例中，交通工具图像中的区域类型信息为部件可拆分类型信息；例如，上述汽车的车窗、车门等。
部件可拆分类型信息包括待分析图像的区域尺寸维度、部件可拆分类型数量维度以及待分析图像的区域置信度信息；其中，在本实施例中，区域置信度信息具体为汽车的部件识别置信度。
在交通工具图像的实施例中，区域尺寸维度是指交通工具图像的长度尺寸维度以及宽度尺寸维度。
部件可拆分类型数量维度、长度尺寸维度以及宽度尺寸维度组成一个三维矩阵；即部件可拆分类型数量维度、长度尺寸维度以及宽度尺寸维度为三维矩阵的三个维度。
待分析图像的部件识别置信度为该三维矩阵内的各个位置的数值。
在交通工具图像的实施例中，根据区域类型通道维度生成一个或者多个分类器可以包括：
根据可拆分类型数量生成相同数量的分类器。
在交通工具图像的实施例中，交通工具图像中的区域识别结果信息为损伤识别结果信息；
损伤识别结果信息包括待分析图像的区域尺寸维度、损伤识别结果通道维度以及待分析图像的识别结果置信度信息，具体地，识别结果置信度信息具体为汽车的部件损伤识别结果置信度。
在交通工具图像的实施例中，区域尺寸维度是指交通工具图像的长度以及宽度。
损伤识别结果通道维度、长度尺寸维度以及宽度尺寸维度组成一个三维矩阵；即损伤识别结果通道维度、长度尺寸维度以及宽度尺寸维度为三维矩阵的三个维度。
待分析图像的部件损伤识别结果置信度为该三维矩阵内的各个位置的数值。
在一个实施例中，交通工具图像中的交通工具为汽车、飞机或者铁路交通工具中的一种。
交通工具图像中的区域类型信息为部件可拆分类型数量信息；标签结果为损伤识别结果。
下面以举例的方式对本申请进行进一步详细阐述。可以理解的是，该举例并不构成对本申请的任何限制。
以一张用于定损的汽车图像(待分析图像)为例，我们可以提取该汽车图像的第一图像特征张量，以及提取该汽车图像的第二图像特征张量。
举例来说，我们可以通过卷积神经网络来提取。提取各个图像特征张量(举例来说，可以提取一个以上第一图像特征张量和一个以上第二图像特征张量)均采用不同的卷积神经网络。
为了方便叙述，在本实施例中，我们以提取一个第一图像特征张量以及两个第二图像特征张量为例进行说明。
第一图像特征张量含有待分析图像的区域类型信息，在本实施例中，由于是以汽车图像为例，正如上述的，该区域类型信息可以表示该图像中的汽车的部件类型信息。
第二图像特征张量含有待分析图像的区域识别结果信息，在本实施例中，由于是以汽车图像为例，因此，该区域识别结果信息可以表示该图像中的汽车的部件的损伤结果信息。
在本实施例中，具有一个第一图像特征张量以及两个第二图像特征张量，为了叙述方便，将两个第二图像特征张量中的一个称为第二图像第一特征张量另一个称为第二图像第二特征张量。
基于第一图像特征张量与一个第二图像第一特征张量生成一个特征响应图，该特征响应图称为第一特征响应图；基于第一图像特征张量与第二图像第二特征张量生成一个特征响应图，该特征响应图称为第二特征响应图；
基于各个特征响应图生成特征向量具体为：基于第一特征响应图以及第二特征响应图生成特征向量。
在本实施例中，将第一图像特征张量与第二图像第一特征张量进行双线性融合池化，具体包括：
将第一图像特征张量与第二图像第一特征张量输入第一预设双线性模型，得到第一特征响应图。
将第一图像特征张量与第二图像第二特征张量进行双线性融合池化，具体包括：
将第一图像特征张量与第二图像第二特征张量输入第二预设双线性模型，得到第二特征响应图。
为了叙述方便，将第一图像特征张量标记为Pm，第二图像第一特征张量标记为Sm；第二图像第二特征张量标记为Dm。第一特征响应图标记为PS，第二特征响应图标记为PD。
第一图像特征张量中的区域识别尺寸维度为长度维度H以及宽度维度W；区域类型通道维度为Cp。
第二图像第一特征张量中的区域识别尺寸维度为长度维度H以及宽度维度W；区域识别结果通道维度为Cd。
第二图像第二特征张量中的区域识别尺寸维度为长度维度H以及宽度维度W；区域识别结果通道维度为Cd。
在本实施例中，第一预设双线性模型以及第二预设双线性模型具体为：
第一预设双线性模型：
Figure BDA0001845579750000181
第二预设双线性模型：
Figure BDA0001845579750000182
其中，
“*”表示矩阵对应元素相乘，i∈[1，Cp]，j∈[1，Cd]，PS和PD的维度均为Cp*Cd。H为第一图像特征张量、第二图像第一特征张量以及第二图像第二特征张量中的宽度维度向量；W为第一图像特征张量、第二图像第一特征张量以及第二图像第二特征张量中的长度维度向量。
由于均对待一张待识别图像，因此，长度维度向量与宽度维度向量相同，在此不再区分。
在本实施例中，基于第一图像特征张量与第二图像第一特征张量生成第一特征响应图之后进一步包括：
对第一特征响应图进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而形成与归一化方式相对应的行方向第一特征响应图、列方向第一特征响应图以及全局第一特征响应图中的一个或者多个，将上述的各个行方向第一特征响应图、列方向第一特征响应图以及全局第一特征响应图中的一个或者多个组成第一归一化特征响应图。
在本实施例中，对第一特征响应图进行行方向归一化、列方向归一化以及全局归一化，从而获得第一归一化特征响应图。
基于第一图像特征张量与第二图像第二特征张量形成第二特征响应图之后进一步包括：
对第二特征响应图进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而形成与归一化类型相对应的行方向第二特征响应图、列方向第二特征响应图以及全局第二特征响应图中的一个或者多个，将上述的各个行方向第一特征响应图、列方向第一特征响应图以及全局第一特征响应图中的一个或者多个组成多第二归一化特征响应图。
在本实施例中，对第二特征响应图进行行方向归一化、列方向归一化以及全局归一化，从而获得第二归一化特征响应图。
在本实施例中，基于第一特征响应图、第二特征响应图生成特征向量具体为：
将第一特征响应图展平，形成第一一维特征向量；
将第二特征响应图展平，形成第二一维特征向量；
将第一归一化特征响应图展平，形成一个第一归一化一维特征向量；
将第二归一化特征响应图展平，形成一个第二归一化一维特征向量；
将第一一维特征向量、第二一维特征向量、第一归一化一维特征向量、第二归一化一维特征向量组合形成特征向量。
将上述将特征向量输入预先训练的一组分类器组中，获取该组分类器中各个分类器输出的标签结果具体包括：
根据区域类型通道维度生成一个或者多个分类器，从而形成一组分类器组；
将特征向量分别输入各个分类器；
获取该组分类器中各个分类器输出的标签结果。
举例来说，在上述的待分析图像为汽车图像的实施例中，具有车门部位、车窗部位以及后视镜部位。在该实施例中，损伤类型包括刮擦、凹陷两种。其中，通过区域类型通道维度形成了3个分类器，可以定义为车门部位分类器、车窗部位分类器以及后视镜部位分类器，将该实施例中形成的特征向量分别输入这三个分类器，3个分类器分别输出3个标签结果，举例来说，车门部位分类器输出为1、车窗部位分类器输出为2以及后视镜部位分类器输出为2，通过之前的使用者定义，将刮擦定义为数值1，凹陷定义为数值2，此时，即车门部位具有刮擦，车窗部位以及后视镜部位具有凹陷。
可以理解的是，例如使用者将刮擦定义为数值1，凹陷定义为数值2这类分类器具体使用方法均为分类器的现有技术，在此不再详细介绍。
在本实施例中，正如上述的，就是将该汽车图像的区域类型与区域识别结果结合，从而使使用者明确某个区域类型具有什么样的区域识别结果。
具体地，将部件类型信息和部件的损伤结果结合一起。
参见图2，在本申请中还提供了一种图像标签获取装置，该图像标签获取装置包括第一获取模块201、第二获取模块202、特征响应图生成模块203、特征向量生成模块205、输入模块206以及标识获取模块208。
第一获取模块201用于获取待分析图像的至少一个第一图像特征张量；其中，第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；
第二获取模块202用于获取待分析图像的至少两个第二图像特征张量；其中，每个第二图像特征张量均含有待分析图像的区域识别结果信息或待分析图像的区域类型信息中的另一种；
特征响应图生成模块203用于基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；
特征向量生成模块205用于基于各个特征响应图生成特征向量；
输入模块206用于将特征向量输入预先训练的分类器组中；以及
标识获取模块208用于获取分类器组中的分类器输出的标签结果。
在一个实施例中，第一图像特征张量或第二图像特征张量为两个以上且含有区域类型信息时，各个第一图像特征张量或各个第二图像特征张量所含有的待分析图像的区域类型信息不同；
第二图像特征张量或第一图像特征张量为两个以上且含有区域识别结果信息时，各个第二图像特征张量或各个第一图像特征张量所含有的待分析图像的区域识别结果信息不同；
任意一个特征响应图中的第一图像特征张量与其他特征响应图中的第一图像特征张量不同和/或任意一个特征响应图中的第二图像特征张量与其他特征响应图中的第二图像特征张量不同。
参见图2，在一个实施例中，特征响应图生成模块包括两个以上双线性融合池化模块2031。
一个双线性融合池化模块用于对一个第一图像特征张量与一个第二图像特征张量进行一次双线性融合池化，通过两个以上双线性融合池化模块形成两个以上的特征响应图。
在一个实施例中，图像标签获取装置进一步包括归一化模块204，归一化模块204用于将各个特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组。
参见图3，在一个实施例中，归一化模块204包括行方向归一化模块2041、列方向归一化模块2042、全局归一化模块2043以及图组组合模块2044。
行方向归一化模块2041用于将各个特征响应图中的一个或多个进行行方向归一化，从而得到各个特征响应图所对应的各个行方向特征响应图；
列方向归一化模块2042用于将各个特征响应图中的一个或多个进行列方向归一化，从而得到各个特征响应图所对应的各个列方向特征响应图；
全局归一化模块2043用于将各个特征响应图中的一个或多个进行全局归一化，从而得到各个特征响应图所对应的各个全局特征响应图；以及
图组组合模块2044用于将各个特征响应图中的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个组成与特征响应图相对应的归一化特征响应图组。
参见图4，在一个实施例中，特征向量生成模块205包括第一展平模块2051、第二展平模块2052以及特征向量组合模块2053。
第一展平模块2051用于将各个特征响应图展平，形成多个一维特征向量；
第二展平模块2052用于将基于特征响应图获得的归一化特征响应图组展平，形成多个归一化特征向量；以及
特征向量组合模块2053用于将各个一维特征向量以及各个归一化特征向量组合形成特征向量。
在一个实施例中，待分析图像的区域类型信息包括待分析图像的区域尺寸维度、区域类型通道维度以及区域置信度信息。
在一个实施例中，第一图像特征张量或第二图像特征张量为两个以上且含有区域类型信息时，各个第一图像特征张量或各个第二图像特征张量所含有的待分析图像的区域类型信息不同是指：
各个第一图像特征张量或各个第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
在一个实施例中，待分析图像的区域识别结果信息包括待分析图像的区域识别尺寸维度、区域识别结果通道维度以及待分析图像的识别结果置信度信息。
在一个实施例中，第二图像特征张量或第一图像特征张量为两个以上且含有区域识别结果信息时，各个第二图像特征张量或各个第一图像特征张量所含有的待分析图像的区域识别结果信息不同是指：各个第二图像特征张量或各个第一图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
在一个实施例中，图像标签获取装置进一步包括分类器生成模块207。
分类器生成模块207用于根据区域类型通道维度或根据区域识别结果通道维度生成一个或者多个预先训练的分类器，一个预先训练的分类器或者多个预先训练的分类器形成分类器组2071；
输入模块206包括与分类器组中的预先训练的分类器数量相同的多个单体输入模块2061，每个单体输入模块2061用于将特征向量输入至一个预先训练的分类器；
标识获取模块208包括多个单体获取模块2081，每个单体获取模块2081用于获取一个分类器输出的标签结果。
需要说明的是，前述对方法实施例的解释说明也适用于本实施例的装置，此处不再赘述。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的图像标签获取方法。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的图像标签获取方法。
图5是能够实现根据本申请一个实施例提供的图像标签获取方法的电子设备的示例性结构图。
如图5所示，电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中，输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接，进而与电子设备的其他组件连接。具体地，输入设备504接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到电子设备的外部供用户使用。
也就是说，图5所示的电子设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及一个或多个处理器，该一个或多个处理器在执行计算机可执行指令时可以实现结合图1至图5描述的图像标签获取方法。
在一个实施例中，图5所示的电子设备可以被实现为包括：存储器504，被配置为存储可执行程序代码；一个或多个处理器503，被配置为运行存储器504中存储的可执行程序代码，以执行上述实施例中的图像标签获取方法。
参见图6，本申请还提供了一种训练分类器的方法，该训练分类器的方法包括：
S301：获取各个训练样本图像的至少一个第一训练图像特征张量以及至少两个第二训练图像特征张量；其中，每个第一训练图像特征张量含有训练样本图像的区域类型信息或区域识别结果信息中的一个；每个第二训练图像特征张量含有训练样本图像的区域识别结果信息或区域类型信息中的另一个；
S302：基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图；
S303：基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量；以及
S304：通过各个训练特征向量训练根据区域类型信息或区域识别结果信息形成的待训练的分类器组中训练分类器组。
本申请的图像标签获取方法中的预先训练的分类器组即可采用本申请的训练分类器的方法预先训练分类器组。
在本实施例中，基于第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图包括：
将每个训练样本图像中的第一训练图像特征张量与第二训练图像特征张量分别进行双线性融合池化，从而形成两个以上的特征响应图。
在本实施例中，基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图之后包括：
将每个训练样本图像中的各个训练特征响应图中的一个或多个进行归一化，从而得到每个训练特征响应图所对应的归一化训练特征响应图组；
基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量包括：
基于每个训练样本图像中的各个特征响应图以及基于每个特征响应图相对应的归一化训练特征响应图组生成该对应的训练样本图像的特征向量。
在本实施例中，将每个训练样本图像中的各个训练特征响应图中的一个或多个进行归一化，从而得到每个训练特征响应图所对应的一个归一化训练特征响应图组包括：
将每个训练特征响应图中的一个或多个进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而基于进行归一化的训练特征响应图形成与归一化类型相对应的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个，每个训练特征响应图对应的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个组成归一化训练特征响应图组。
在本实施例中，基于每个训练样本图像中的各个训练特征响应图生成与该训练样本图像对应的一个训练特征向量为：
将各个训练特征响应图展平，形成多个一维训练特征向量；
将基于特征响应图获得的归一化训练特征响应图组展平，形成多个归一化训练特征向量；
将各个一维训练特征向量以及各个归一化训练特征向量组合形成训练特征向量。
可以理解是，在不进行归一化的实施例中，基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量包括：将各个训练特征响应图展平，形成多个一维训练特征向量；将各个一维训练特征向量组合形成训练特征向量。
在任意一个训练样本图像中，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同。此时，第一图像特征张量为多个时，第一图像特征张量的区域识别结果信息可以相同也可以不同。
在任意一个训练样本图像中，第二图像特征张量含有区域识别结果信息时，各个第二图像特征张量所含有的待分析图像的区域识别结果信息不同。此时，第一图像特征张量为多个时，第一图像特征张量的区域类型信息可以相同也可以不同。
在本实施例中，在任意一个训练样本图像中，第一训练图像特征张量为两个以上时，各个第一训练图像特征张量所含有的训练样本图像的区域类型信息不同或区域识别结果信息不同。
在任意一个训练样本图像中，任意一个特征响应图中的第二图像特征张量与其他特征响应图中的第二图像特征张量不同。
在任意一个训练样本图像中，第二训练图像特征张量为两个以上时，各个第二训练图像特征张量所含有的训练样本图像的区域识别结果信息不同或区域类型信息不同。
在一个实施例中，基于每个训练样本图像所形成的任意一个训练特征响应图中的第一训练图像特征张量与基于同一个训练样本图像所形成的其他训练特征响应图中的第一训练图像特征张量不同。
在一个实施例中，基于每个训练样本图像所形成的任意一个训练特征响应图中的第二训练图像特征张量与基于同一个训练样本图像所形成的其他训练特征响应图中的第二训练图像特征张量不同。
在本实施例中，每个训练样本图像的区域类型信息包括训练样本图像的区域尺寸维度、区域类型通道维度以及区域置信度信息。
在任意一个训练样本图像中，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同是指：各个第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
在本实施例中，在任意一个训练样本图像中，第一训练图像特征张量或第二训练图像特征张量为两个以上且含有区域类型信息时，各个第一训练图像特征张量或各个第二训练图像特征张量所含有的训练样本图像的区域类型信息不同是指：
各个第一训练图像特征张量或各个第二训练图像特征张量所含有的训练样本图像的区域类型信息中的区域置信度信息不同。
在本实施例中，每个训练样本图像的区域识别结果信息包括待分析图像的区域识别尺寸维度、区域识别结果通道维度以及辨识置信度信息。
在任意一个训练样本图像中，第二图像特征张量含有区域类型信息时，各个第二图像特征张量所含有的待分析图像的区域类型信息不同是指：各个第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
在任意一个训练样本图像中，第二训练图像特征张量或第一训练图像特征张量为两个以上且含有区域识别结果信息时，各个第二训练图像特征张量或各个第一训练图像特征张量所含有的训练样本图像的区域识别结果信息不同是指：
各个第二训练图像特征张量或各个第一训练图像特征张量所含有的训练样本图像的区域识别结果信息中的辨识置信度信息不同。
在本实施例中，训练样本图像为交通工具图像。
在本实施例中，交通工具图像中的交通工具为汽车、飞机或者铁路交通工具中的一种；
交通工具图像中的区域类型信息为部件可拆分类型数量信息；以及
标签结果为损伤识别结果。
参见图8，本申请还提供了一种训练分类器的装置，训练分类器的装置包括第一训练获取模401、第二训练获取模块402、训练特征响应图生成模块403、训练特征向量生成模块405以及训练模块4071。
其中，第一训练获取模块用于获取各个训练样本图像的至少一个第一训练图像特征张量；其中，每个第一训练图像特征张量均含有训练样本图像的区域类型信息或区域识别结果信息中的一个；
第二训练获取模块402用于获取各个训练样本图像的至少两个第二训练图像特征张量；其中，每个第二训练图像特征张量均含有训练样本图像的区域识别结果信息或区域类型信息中的另一个；
训练特征响应图生成模块403用于基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个特征响应图。
训练特征向量生成模块405用于基于每个训练样本图像中的训练特征响应图生成与该训练样本图像对应的一个训练特征向量。
训练模块4071用于将各个训练特征向量输入至根据区域类型信息或区域识别结果信息形成的待训练的分类器组中训练分类器组。
在本实施例中，训练特征响应图生成模块403包括两个以上双线性融合池化训练模块4031，每个双线性融合池化训练模块4031用于对各个训练样本图像中的每个训练样本图像中的一个第一训练图像特征张量与一个第二训练图像特征张量进行一次双线性融合池化。
在本实施例中，训练分类器的装置包括归一化训练模块404，归一化训练模块404用于将各个训练特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化训练特征响应图组。
在本实施中，训练特征向量生成模块405用于基于每个训练样本图像中的各个特征响应图以及基于每个特征响应图相对应的归一化训练特征响应图组生成该对应的训练样本图像的特征向量。
参见图9，在本实施例中，归一化训练模块404包括行方向归一化训练模块4041，列方向归一化训练模块4042，全局归一化训练模块4043以及训练图组组合模块4044。
行方向归一化训练模块4041用于将每个训练特征响应图中的一个或多个进行行方向归一化，从而得到各个训练特征响应图所对应的各个行方向训练特征响应图；
列方向归一化训练模块4042用于将各个训练特征响应图中的一个或多个进行列方向训练归一化，从而得到各个训练特征响应图所对应的各个列方向训练特征响应图；
全局归一化训练模块4043用于将各个训练特征响应图中的一个或多个进行全局归一化，从而得到各个训练特征响应图所对应的各个全局训练特征响应图；以及
训练图组组合模块4044用于将每个训练特征响应图中的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个组成归一化训练特征响应图组。
参见图8，在本实施例中，训练特征向量生成模块包括第一训练展平模块4051，第二训练展平模块4052以及训练特征向量组合模块4053。
第一训练展平模块4051用于将各个训练特征响应图展平，形成多个一维训练特征向量；
第二训练展平模块4052用于将基于特征响应图获得的归一化训练特征响应图组展平，形成多个归一化训练特征向量；以及
训练特征向量组合模块4053用于将各个一维训练特征向量以及各个归一化训练特征向量组合形成训练特征向量。
在本实施例中，在任意一个训练样本图像中，第一训练图像特征张量为两个以上时，各个第一训练图像特征张量所含有的训练样本图像的区域类型信息不同或区域识别结果信息不同。
在本实施例中，在任意一个训练样本图像中，第二训练图像特征张量为两个以上时，各个第二训练图像特征张量所含有的训练样本图像的区域识别结果信息不同或区域类型信息不同。
在本实施例中，基于每个训练样本图像所形成的任意一个训练特征响应图中的第一训练图像特征张量与基于同一个训练样本图像所形成的其他训练特征响应图中的第一训练图像特征张量不同。
在本实施例中，基于每个训练样本图像所形成的任意一个训练特征响应图中的第二训练图像特征张量与基于同一个训练样本图像所形成的其他训练特征响应图中的第二训练图像特征张量不同。
在本实施例中，每个训练样本图像的区域类型信息包括训练样本图像的区域尺寸维度、区域类型通道维度以及区域置信度信息。
在本实施例中，在任意一个训练样本图像中，第一训练图像特征张量或第二训练图像特征张量为两个以上且含有区域类型信息时，各个第一训练图像特征张量或第二训练图像特征张量所含有的训练样本图像的区域类型信息不同是指：
各个第一训练图像特征张量或第二训练图像特征张量所含有的训练样本图像的区域类型信息中的区域置信度信息不同。
在本实施例中，训练样本图像的区域识别结果信息包括待分析图像的区域识别尺寸维度、区域识别结果通道维度以及辨识置信度信息。
在本实施例中，在任意一个训练样本图像中，第二训练图像特征张量或第一训练图像特征张量为两个以上且含有区域识别结果信息时，各个第二训练图像特征张量或第一训练图像特征张量所含有的训练样本图像的区域识别结果信息不同是指：
各个第二训练图像特征张量或第一训练图像特征张量所含有的训练样本图像的区域识别结果信息中的辨识置信度信息不同。
需要说明的是，前述对方法实施例的解释说明也适用于本实施例的装置，此处不再赘述。
本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的训练分类器的方法。
举例来说，电子设备包括输入设备、输入接口、中央处理器、存储器、输出接口以及输出设备。其中，输入接口、中央处理器、存储器以及输出接口通过总线相互连接，输入设备和输出设备分别通过输入接口和输出接口与总线连接，进而与计算设备的其他组件连接。具体地，输入设备接收来自外部的输入信息，并通过输入接口将输入信息传送到中央处理器；中央处理器基于存储器中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器中，然后通过输出接口将输出信息传送到输出设备；输出设备将输出信息输出到计算设备的外部供用户使用。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的训练分类器的方法。
本申请虽然以较佳实施例公开如上，但其实并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此，本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动，媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地标识的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (33)

1.一种图像标签获取方法，其特征在于，所述图像标签获取方法包括：
获取待分析图像的至少一个第一图像特征张量以及至少两个第二图像特征张量；其中，所述第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；每个所述第二图像特征张量含有待分析图像的区域识别结果信息或待分析图像的区域类型信息中的另一种；
基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个所述特征响应图；
基于各个所述特征响应图生成特征向量；以及
将所述特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取该分类器组中的分类器输出的标签结果。
2.如权利要求1所述的图像标签获取方法，其特征在于，所述基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图包括：
将所述第一图像特征张量与所述第二图像特征张量分别进行一次双线性融合池化，从而形成两个以上的所述特征响应图。
3.如权利要求1所述的图像标签获取方法，其特征在于，所述基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图之后包括：
将各个所述特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组；
基于各个所述特征响应图生成特征向量包括：
基于各个所述特征响应图以及基于各个所述特征响应图生成的各个所述归一化特征响应图组生成所述特征向量。
4.如权利要求3所述的图像标签获取方法，其特征在于，所述将各个所述特征响应图中的一个或多个进行归一化，从而得到每个特征响应图所对应的一个归一化特征响应图组包括：
将各个所述特征响应图中的一个或多个进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而基于进行归一化的特征响应图形成与归一化类型相对应的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个，每个所述特征响应图对应的行方向特征响应图、列方向特征响应图以及全局特征响应图中的一个或者多个组成与所述特征响应图相对应的所述归一化特征响应图组。
5.如权利要求3所述的图像标签获取方法，其特征在于，所述基于各个特征响应图生成特征向量包括：
将各个所述特征响应图展平，形成多个一维特征向量；
将基于各个所述特征响应图获得的各个所述归一化特征响应图组展平，形成多个归一化特征向量；
将各个所述一维特征向量以及各个所述归一化特征向量组合形成所述特征向量。
6.如权利要求1所述的图像标签获取方法，其特征在于，所述基于各个特征响应图生成特征向量包括：
将各个所述特征响应图展平，形成多个一维特征向量；
将各个所述一维特征向量组合形成所述特征向量。
7.如权利要求1至6中任意一项所述的图像标签获取方法，其特征在于，所述第二图像特征张量含有区域类型信息时，各个所述第二图像特征张量所含有的待分析图像的区域类型信息不同。
8.如权利要求1至6中任意一项所述的图像标签获取方法，其特征在于，所述第二图像特征张量含有区域识别结果信息时，各个所述第二图像特征张量所含有的待分析图像的区域识别结果信息不同。
9.如权利要求1至8中任意一项所述的图像标签获取方法，其特征在于，任意一个所述特征响应图中所基于的所述第二图像特征张量与其他所述特征响应图中所基于的所述第二图像特征张量不同。
10.如权利要求8或9所述的图像标签获取方法，其特征在于，所述待分析图像的区域类型信息包括待分析图像的区域类型通道维度以及区域置信度信息；
所述第二图像特征张量含有区域类型信息时，各个所述第二图像特征张量所含有的待分析图像的区域类型信息不同是指：
各个所述第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
11.如权利要求8或9所述的图像标签获取方法，其特征在于，
所述待分析图像的区域识别结果信息包括待分析图像的区域识别结果通道维度以及识别结果置信度信息；其中，
所述第二图像特征张量含有区域识别结果信息时，各个所述第二图像特征张量所含有的待分析图像的区域识别结果信息不同是指：
各个所述第二图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
12.如权利要求1至9中任意一项所述的图像标签获取方法，其特征在于，所述待分析图像的区域类型信息包括待分析图像的区域类型通道维度以及区域置信度信息；
所述待分析图像的区域识别结果信息包括待分析图像的区域识别结果通道维度以及识别结果置信度信息；以及
所述将特征向量输入预先训练的根据区域类型信息或区域识别结果信息形成的分类器组中，获取分类器组中分类器输出的标签结果包括：
根据区域类型通道维度或区域识别结果通道维度生成一个或者多个预先训练的分类器，从而形成所述分类器组；
将所述特征向量分别输入分类器；以及
获取分类器组中分类器输出的标签结果。
13.如权利要求1至12中任意一项所述的图像标签获取方法，其特征在于，所述待分析图像为交通工具图像。
14.如权利要求13所述的图像标签获取方法，其特征在于，所述交通工具图像中的交通工具为汽车、飞机或者铁路交通工具中的一种；
所述交通工具图像中的区域类型信息为部件可拆分类型数量信息；以及
所述标签结果为损伤识别结果。
15.一种图像标签获取装置，其特征在于，所述图像标签获取装置包括：
第一获取模块，所述第一获取模块用于获取待分析图像的至少一个第一图像特征张量；其中，所述第一图像特征张量含有待分析图像的区域类型信息或待分析图像的区域识别结果信息中的一种；
第二获取模块，所述第二获取模块用于获取待分析图像的至少两个第二图像特征张量；其中，每个所述第二图像特征张量均含有待分析图像的区域识别结果信息或待分析图像的区域类型信息中的另一种；
特征响应图生成模块，所述特征响应图生成模块用于基于第一图像特征张量以及第二图像特征张量形成两个以上的特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个所述特征响应图；
特征向量生成模块，所述特征向量生成模块用于基于各个特征响应图生成特征向量；
输入模块，所述输入模块用于将特征向量输入预先训练的分类器组中；以及
标识获取模块，所述标识获取模块用于获取分类器组中的分类器输出的标签结果。
16.如权利要求15所述的图像标签获取装置，其特征在于，所述特征响应图生成模块包括：
两个以上双线性融合池化模块，一个双线性融合池化模块用于对一个所述第一图像特征张量与一个所述第二图像特征张量进行一次双线性融合池化。
17.如权利要求14所述的图像标签获取装置，其特征在于，所述图像标签获取装置包括归一化模块，所述归一化模块用于将各个所述特征响应图中的一个或多个进行归一化，从而得到每个所述特征响应图所对应的一个归一化特征响应图组。
18.如权利要求15所述的图像标签获取装置，其特征在于，所述特征向量生成模块包括：
第一展平模块，所述第一展平模块用于将各个特征响应图展平，形成多个一维特征向量；
第二展平模块，所述第二展平模块用于将基于所述特征响应图获得的归一化特征响应图组展平，形成多个归一化特征向量；以及
特征向量组合模块，所述特征向量组合模块用于将多个所述一维特征向量以及各个所述归一化特征向量组合形成所述特征向量。
19.一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至14中任一项所述的图像标签获取方法。
20.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如权利要求1至14中任一项所述的图像标签获取方法。
21.一种训练分类器的方法，其特征在于，所述训练分类器的方法包括：
获取各个训练样本图像的至少一个第一训练图像特征张量以及至少两个第二训练图像特征张量；其中，每个所述第一训练图像特征张量含有训练样本图像的区域类型信息或区域识别结果信息中的一个；每个所述第二训练图像特征张量含有训练样本图像的区域识别结果信息或区域类型信息中的另一个；
基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个所述特征响应图；
基于每个训练样本图像中的所述训练特征响应图生成与该训练样本图像对应的一个训练特征向量；以及
通过各个所述训练特征向量训练根据区域类型信息或区域识别结果信息形成的待训练的分类器组。
22.如权利要求21所述的训练分类器的方法，其特征在于，所述基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图包括：
将每个所述训练样本图像中的第一训练图像特征张量与所述第二训练图像特征张量分别进行双线性融合池化，从而形成两个以上的所述特征响应图。
23.如权利要求21所述的训练分类器的方法，其特征在于，所述基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图之后包括：
将每个所述训练样本图像中的各个所述训练特征响应图中的一个或多个进行归一化，从而得到每个所述训练特征响应图所对应的归一化训练特征响应图组；
基于每个训练样本图像中的所述训练特征响应图生成与该训练样本图像对应的一个训练特征向量包括：
基于每个训练样本图像中的各个所述特征响应图以及基于每个特征响应图相对应的归一化训练特征响应图组生成该对应的训练样本图像的所述特征向量。
24.如权利要求23所述的训练分类器的方法，其特征在于，所述将每个所述训练样本图像中的各个所述训练特征响应图中的一个或多个进行归一化，从而得到每个所述训练特征响应图所对应的归一化训练特征响应图组包括：
将每个所述训练特征响应图中的一个或多个进行行方向归一化、列方向归一化以及全局归一化中的一种归一化或多种归一化，从而基于进行归一化的训练特征响应图形成与归一化类型相对应的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个，每个所述训练特征响应图对应的行方向训练特征响应图、列方向训练特征响应图以及全局训练特征响应图中的一个或者多个组成所述归一化训练特征响应图组。
25.如权利要求23所述的训练分类器的方法，其特征在于，所述基于每个训练样本图像中的所述训练特征响应图生成与该训练样本图像对应的一个训练特征向量包括：
将各个所述训练特征响应图展平，形成多个一维训练特征向量；
将基于所述特征响应图获得的所述归一化训练特征响应图组展平，形成多个归一化训练特征向量；
将各个所述一维训练特征向量以及各个所述归一化训练特征向量组合形成所述训练特征向量。
26.如权利要求21至25中任意一项所述的训练分类器的方法，其特征在于，在任意一个训练样本图像中，所述第二图像特征张量含有区域类型信息时，各个所述第二图像特征张量所含有的待分析图像的区域类型信息不同。
27.如权利要求21至25中任意一项所述的训练分类器的方法，其特征在于，在任意一个所述训练样本图像中，所述第二图像特征张量含有区域识别结果信息时，各个所述第二图像特征张量所含有的待分析图像的区域识别结果信息不同。
28.如权利要求21至27中任意一项所述的训练分类器的方法，其特征在于，在任意一个所述训练样本图像中，任意一个所述特征响应图中所基于的所述第二图像特征张量与其他所述特征响应图中所基于的所述第二图像特征张量不同。
29.如权利要求21至28中任意一项所述的训练分类器的方法，其特征在于，每个所述训练样本图像的区域类型信息包括训练样本图像的区域类型通道维度以及区域置信度信息；
在任意一个所述训练样本图像中，所述第二图像特征张量含有区域类型信息时，各个所述第二图像特征张量所含有的待分析图像的区域类型信息不同是指：
各个所述第二图像特征张量所含有的待分析图像的区域类型信息中的区域置信度信息不同。
30.如权利要求21至28中任意一项所述的训练分类器的方法，其特征在于，每个所述训练样本图像的区域识别结果信息包括待分析图像的区域识别结果通道维度以及识别结果置信度信息；其中，
所述第二图像特征张量含有区域识别结果信息时，各个所述第二图像特征张量所含有的待分析图像的区域识别结果信息不同是指：
各个所述第二图像特征张量所含有的待分析图像的区域识别结果信息中的识别结果置信度信息不同。
31.一种训练分类器的装置，其特征在于，所述训练分类器的装置包括：
第一训练获取模块，所述第一训练获取模块用于获取各个训练样本图像的至少一个第一训练图像特征张量；其中，每个所述第一训练图像特征张量均含有训练样本图像的区域类型信息或区域识别结果信息中的一个；
第二训练获取模块，所述第二训练获取模块用于获取各个训练样本图像的至少两个第二训练图像特征张量；其中，每个所述第二训练图像特征张量均含有训练样本图像的区域识别结果信息或区域类型信息中的另一个；
训练特征响应图生成模块，所述训练特征响应图生成模块用于基于每个训练样本图像的第一训练图像特征张量以及第二训练图像特征张量形成与该训练样本图像对应的两个以上的训练特征响应图；其中，基于一个第一图像特征张量以及一个第二图像特征张量形成一个所述特征响应图；
训练特征向量生成模块，所述训练特征向量生成模块用于基于每个训练样本图像中的所述训练特征响应图生成与该训练样本图像对应的一个训练特征向量；
训练模块，所述训练模块用于将各个所述训练特征向量输入至根据区域类型信息或区域识别结果信息形成的待训练的分类器组中训练所述分类器组。
32.一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求21至30中任一项所述的训练分类器的方法。
33.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如权利要求21至30中任一项所述的训练分类器的方法。
CN201811269073.5A 2018-10-29 2018-10-29 图像标签获取方法、图像标签获取装置以及电子设备 Active CN111104832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811269073.5A CN111104832B (zh) 2018-10-29 2018-10-29 图像标签获取方法、图像标签获取装置以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811269073.5A CN111104832B (zh) 2018-10-29 2018-10-29 图像标签获取方法、图像标签获取装置以及电子设备

Publications (2)

Publication Number Publication Date
CN111104832A true CN111104832A (zh) 2020-05-05
CN111104832B CN111104832B (zh) 2023-05-26

Family

ID=70419284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811269073.5A Active CN111104832B (zh) 2018-10-29 2018-10-29 图像标签获取方法、图像标签获取装置以及电子设备

Country Status (1)

Country Link
CN (1) CN111104832B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688893A (zh) * 2021-08-19 2021-11-23 西交利物浦大学 一种图片分类的方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955718A (zh) * 2014-05-15 2014-07-30 厦门美图之家科技有限公司 一种图像主体对象的识别方法
CN107480206A (zh) * 2017-07-25 2017-12-15 杭州电子科技大学 一种基于多模态低秩双线性池化的图像内容问答方法
WO2018001384A1 (zh) * 2016-07-01 2018-01-04 北京市商汤科技开发有限公司 数据处理、数据识别方法和装置、计算机设备
CN107545271A (zh) * 2016-06-29 2018-01-05 阿里巴巴集团控股有限公司 图像识别方法、装置和系统
CN107808116A (zh) * 2017-09-28 2018-03-16 中国科学院合肥物质科学研究院 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法
CN108062416A (zh) * 2018-01-04 2018-05-22 百度在线网络技术（北京）有限公司 用于在地图上生成标签的方法和装置
CN108197658A (zh) * 2018-01-11 2018-06-22 阿里巴巴集团控股有限公司 图像标注信息处理方法、装置、服务器及系统
US20180260621A1 (en) * 2017-03-10 2018-09-13 Baidu Online Network Technology (Beijing) Co., Ltd. Picture recognition method and apparatus, computer device and computer- readable medium

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955718A (zh) * 2014-05-15 2014-07-30 厦门美图之家科技有限公司 一种图像主体对象的识别方法
CN107545271A (zh) * 2016-06-29 2018-01-05 阿里巴巴集团控股有限公司 图像识别方法、装置和系统
WO2018001384A1 (zh) * 2016-07-01 2018-01-04 北京市商汤科技开发有限公司 数据处理、数据识别方法和装置、计算机设备
US20180260621A1 (en) * 2017-03-10 2018-09-13 Baidu Online Network Technology (Beijing) Co., Ltd. Picture recognition method and apparatus, computer device and computer- readable medium
CN107480206A (zh) * 2017-07-25 2017-12-15 杭州电子科技大学 一种基于多模态低秩双线性池化的图像内容问答方法
CN107808116A (zh) * 2017-09-28 2018-03-16 中国科学院合肥物质科学研究院 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法
CN108062416A (zh) * 2018-01-04 2018-05-22 百度在线网络技术（北京）有限公司 用于在地图上生成标签的方法和装置
CN108197658A (zh) * 2018-01-11 2018-06-22 阿里巴巴集团控股有限公司 图像标注信息处理方法、装置、服务器及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHARALAMBOS POULLIS: "Tensor-Cuts: A simultaneous multi-type feature extractor and classifier and its application to road extraction from satellite images SCINSTL Metric" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688893A (zh) * 2021-08-19 2021-11-23 西交利物浦大学 一种图片分类的方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111104832B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN108038474B (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN106651877B (zh) 实例分割方法及装置
CN108229531B (zh) 对象特征提取方法、装置、存储介质和电子设备
US20200334819A1 (en) Image segmentation apparatus, method and relevant computing device
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
CN110874594A (zh) 基于语义分割网络的人体外表损伤检测方法及相关设备
CN114241505B (zh) 化学结构图像的提取方法、装置、存储介质及电子设备
CN110569379A (zh) 一种汽车配件图片数据集制作方法
CN111067522A (zh) 大脑成瘾结构图谱评估方法及装置
CN116128894A (zh) 图像分割方法、装置及电子设备
CN112541394A (zh) 黑眼圈及鼻炎识别方法、系统及计算机介质
US20220358658A1 (en) Semi Supervised Training from Coarse Labels of Image Segmentation
CN115205736A (zh) 视频数据的识别方法和装置、电子设备和存储介质
CN114972016A (zh) 图像处理方法、装置、计算机设备、存储介质及程序产品
CN110659631B (zh) 车牌识别方法和终端设备
CN111104832B (zh) 图像标签获取方法、图像标签获取装置以及电子设备
CN113378852A (zh) 关键点检测方法、装置、电子设备及存储介质
CN110059739B (zh) 图像合成方法、装置、电子设备和计算机可读存储介质
CN117252947A (zh) 图像处理方法、装置、计算机、存储介质及程序产品
US20230401670A1 (en) Multi-scale autoencoder generation method, electronic device and readable storage medium
US20230342884A1 (en) Diverse Image Inpainting Using Contrastive Learning
CN114549857A (zh) 图像信息识别方法、装置、计算机设备和存储介质
CN109711363B (zh) 车辆定位方法、装置、设备和存储介质
CN113408568A (zh) 对象关键点的检测模型训练的相关方法、装置、设备
CN108388859B (zh) 物体检测方法、网络训练方法、装置和计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant