CN111340138A - 图像分类方法、装置、电子设备及存储介质 - Google Patents

图像分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111340138A
CN111340138A CN202010230084.3A CN202010230084A CN111340138A CN 111340138 A CN111340138 A CN 111340138A CN 202010230084 A CN202010230084 A CN 202010230084A CN 111340138 A CN111340138 A CN 111340138A
Authority
CN
China
Prior art keywords
convolutional layer
layer
feature map
image
processed
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
CN202010230084.3A
Other languages
English (en)
Other versions
CN111340138B (zh
Inventor
李丽香
崔嘉伟
彭海朋
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 University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010230084.3A priority Critical patent/CN111340138B/zh
Publication of CN111340138A publication Critical patent/CN111340138A/zh
Application granted granted Critical
Publication of CN111340138B publication Critical patent/CN111340138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/21—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供的图像分类方法、装置、电子设备及存储介质，涉及数据处理技术领域，通过将全局卷积层和降噪块设置在预先训练的图像分类模型的特殊残差块网络中，所述待处理图像输入到所述预先训练的图像分类模型中进行处理时，全局卷积层用于将输入所述全局卷积层的特征图进行全局性融合处理，得到所述待处理图像细粒度特征图，通过降噪块对待处理图像细粒度特征图进行对抗性降噪，抑制了特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了预先训练的图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。

Description

图像分类方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及图像分类方法、装置、电子设备及存储介质。
背景技术
随着基于深度神经网络的分类技术在生活中的大规模应用，针对于基于深度神经网络的分类技术的对抗样本攻击受到了越来越多的关注，对抗样本攻击是原样本上引入细微扰动，使得深度神经网络模型出现误分类的情况。
为了应对对抗样本的攻击，提高模型的准确性，由于残差块易优化的特点，可以通过残差块来学习多个网络层输入、输出之间的差，以此提高模型的准确性，然而，现有技术中，残差块中的卷积层为普通卷积层，不能抑制特征图中由于对抗样本的攻击产生的大部分噪声，使得模型鲁棒性不能保证，鲁棒性是控制系统在一定结构、大小的参数摄动下，维持其它某些性能的特性。
发明内容
本申请实施例的目的在于提供图像分类方法、装置、电子设备及存储介质，以实现提高图像分类模型对于对抗样本攻击的鲁棒性。
具体技术方案如下：
第一方面，本申请实施例提供了一种图像分类方法，所述方法包括：
获取待处理图像和预先训练的图像分类模型，所述预先训练的图像分类模型包括特殊残差块网络，所述特殊残差块网络包括全局卷积层和降噪块，所述全局卷积层位于所述降噪块的上一层，所述全局卷积层用于将输入所述全局卷积层的特征图进行全局性融合处理，得到所述待处理图像细粒度特征图，所述降噪块用于将所述待处理图像细粒度特征图进行降噪处理；
将所述待处理图像输入到所述预先训练的图像分类模型中进行处理，得到所述待处理图像的分类结果。
可选的，所述图像分类模型还包括：输入层、第一卷积层、普通残差块网络、输出层；
所述将所述待处理图像输入到所述预先训练的图像分类模型中进行处理，得到所述待处理图像的分类结果，包括：
将所述待处理图像输入到所述输入层，通过所述输入层对所述待处理图像进行预处理，得到预处理后的待处理图像；
利用所述第一卷积层对预处理后的待处理图像进行特征提取，得到第一特征图；
将所述第一特征图输入到所述特殊残差块网络进行全局性融合及降噪处理，得到第一目标特征图；
将所述第一目标特征图输入到所述普通残差块网络进行处理，得到第二目标特征图；
将所述第二目标特征图输入到所述输出层进行处理，得到所述待处理图像的分类结果。
可选的，所述特殊残差块网络包括，第二卷积层、第三卷积层、第四卷积层、所述全局卷积层及所述降噪块，所述全局卷积层包括：第一卷积网络层，第二卷积网络层，运算层；
所述第一卷积网络层包括：第五卷积层，第六卷积层，所述第五卷积层的卷积核大小为k×1，所述第六卷积层的卷积核大小为1×k；
所述第二卷积网络层包括：第七卷积层，第八卷积层，所述第七卷积层的卷积核大小为1×k，所述第八卷积层的卷积核大小为k×1；
所述将所述第一特征图输入到所述特殊残差块网络进行处理，得到第一目标特征图，包括：
将所述第一特征图输入到所述第二卷积层进行处理，得到第二卷积层处理后的特征图；
将所述第二卷积层处理后的特征图输入到所述第三卷积层进行处理，得到第三卷积层处理后的特征图；
将所述第四卷积层处理后的特征图输入到所述第四卷积层进行处理，得到第四卷积层处理后的特征图；
将所述第四卷积层处理后的特征图分别输入到所述第五卷积层和所述第七卷积层进行处理，分别得到第五卷积层处理后的特征图、第七卷积层处理后的特征图；
将所述第五卷积层处理后的特征图输入到所述第六卷积层进行处理，得到第六卷积层处理后的特征图；
将所述第七卷积层处理后的特征图输入到所述第八卷积层进行处理，得到第八卷积层处理后的特征图；
将所述第六卷积层处理后的特征图和所述第八卷积层处理后的特征图输入到所述运算层进行处理，得到全局卷积特征图；
将所述全局卷积特征图输入到所述降噪块中进行处理，得到第一目标特征图。
可选的，所述预先训练的图像分类模型的训练步骤，包括：
获取样本图像和图像分类模型，所述样本图像标注有图像类别；
将所述样本图像输入所述图像分类模型中进行处理，得到所述样本图像的分类结果；所述图像分类模型包括待训练的特殊残差块网络，所述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，所述待训练的全局卷积层位于所述待训练的降噪块的上一层，所述待训练的全局卷积层用于将输入所述待训练的全局卷积层的特征图进行全局性融合处理，得到所述样本图像细粒度特征图，所述待训练的降噪块用于将所述样本图像细粒度特征图进行降噪处理；
根据所述样本图像的图像类别、所述样本图像的分类结果确定所述图像分类模型的损失函数的损失值；
根据所述损失值判断所述图像分类模型是否收敛，在所述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。
第二方面，本申请实施例提供了一种图像分类装置，所述装置包括：
采集模块，用于获取待处理图像和预先训练的图像分类模型，所述预先训练的图像分类模型包括特殊残差块网络，所述特殊残差块网络包括全局卷积层和降噪块，所述全局卷积层位于所述降噪块的上一层，所述全局卷积层用于将输入所述全局卷积层的特征图进行全局性融合处理，得到所述待处理图像细粒度特征图，所述降噪块用于将所述待处理图像细粒度特征图进行降噪处理；
处理模块，用于将所述待处理图像输入到所述预先训练的图像分类模型中进行处理，得到所述待处理图像的分类结果。
可选的，所述图像分类模型还包括：输入层、第一卷积层、普通残差块网络、输出层；
所述处理模块具体用于：
将所述待处理图像输入到所述输入层，通过所述输入层对所述待处理图像进行预处理，得到预处理后的待处理图像；
利用所述第一卷积层对预处理后的待处理图像进行特征提取，得到第一特征图；
将所述第一特征图输入到所述特殊残差块网络进行全局性融合及降噪处理，得到第一目标特征图；
将所述第一目标特征图输入到所述普通残差块网络进行处理，得到第二目标特征图；
将所述第二目标特征图输入到所述输出层进行处理，得到所述待处理图像的分类结果。
可选的，所述特殊残差块网络包括，第二卷积层、第三卷积层、第四卷积层、所述全局卷积层及所述降噪块，所述全局卷积层包括：第一卷积网络层，第二卷积网络层，运算层；
所述第一卷积网络层包括：第五卷积层，第六卷积层，所述第五卷积层的卷积核大小为k×1，所述第六卷积层的卷积核大小为1×k；
所述第二卷积网络层包括：第七卷积层，第八卷积层，所述第七卷积层的卷积核大小为1×k，所述第八卷积层的卷积核大小为k×1；
所述处理模块具体用于：
将所述第一特征图输入到所述第二卷积层进行处理，得到第二卷积层处理后的特征图；
将所述第二卷积层处理后的特征图输入到所述第三卷积层进行处理，得到第三卷积层处理后的特征图；
将所述第四卷积层处理后的特征图输入到所述第四卷积层进行处理，得到第四卷积层处理后的特征图；
将所述第四卷积层处理后的特征图分别输入到所述第五卷积层和所述第七卷积层进行处理，分别得到第五卷积层处理后的特征图、第七卷积层处理后的特征图；
将所述第五卷积层处理后的特征图输入到所述第六卷积层进行处理，得到第六卷积层处理后的特征图；
将所述第七卷积层处理后的特征图输入到所述第八卷积层进行处理，得到第八卷积层处理后的特征图；
将所述第六卷积层处理后的特征图和所述第八卷积层处理后的特征图输入到所述运算层进行处理，得到全局卷积特征图；
将所述全局卷积特征图输入到所述降噪块中进行处理，得到第一目标特征图。
可选的，所述装置还包括训练模块，所述训练模板具体用于：
获取样本图像和图像分类模型，所述样本图像标注有图像类别；
将所述样本图像输入所述图像分类模型中进行处理，得到所述样本图像的分类结果；所述图像分类模型包括待训练的特殊残差块网络，所述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，所述待训练的全局卷积层位于所述待训练的降噪块的上一层，所述待训练的全局卷积层用于将输入所述待训练的全局卷积层的特征图进行全局性融合处理，得到所述样本图像细粒度特征图，所述待训练的降噪块用于将所述样本图像细粒度特征图进行降噪处理；
根据所述样本图像的图像类别、所述样本图像的分类结果确定所述图像分类模型的损失函数的损失值；
根据所述损失值判断所述图像分类模型是否收敛，在所述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的任一项所述的图像分类方法。
第四方面，本申请实施例提供了一种存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的任一所述的图像分类方法。
第五方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的图像分类方法。
本申请实施例提供的图像分类方法、装置、电子设备、存储介质及包含指令的计算机程序产品，通过将全局卷积层和降噪块设置在预先训练的图像分类模型的特殊残差块网络中，所述待处理图像输入到所述预先训练的图像分类模型中进行处理时，全局卷积层用于将输入所述全局卷积层的特征图进行全局性融合处理，得到所述待处理图像细粒度特征图，通过降噪块对待处理图像细粒度特征图进行对抗性降噪，抑制了特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了预先训练的图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的图像分类方法的一种示意图；
图2a为本申请实施例的图像分类模型的一种示意图；
图2b为本申请实施例的图像分类模型中特殊残差块网络的第一种示意图；
图2c为本申请实施例的图像分类模型中特殊残差块网络的第二种示意图；
图2d为本申请实施例的图像分类模型中特殊残差块网络的第三种示意图；
图3为本申请实施例的图像分类装置的一种示意图；
图4为本申请实施例的电子设备的一种示意图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。
本申请实施例公开了一种图像分类方法、系统、装置、电子设备、存储介质及包含指令的计算机程序产品，以下分别进行说明。
本申请实施例提供了图像分类方法，参见图1，图1为本申请实施例的图像分类方法的一种示意图，包括如下步骤：
步骤110，获取待处理图像和预先训练的图像分类模型，上述预先训练的图像分类模型包括特殊残差块网络，上述特殊残差块网络包括全局卷积层和降噪块，上述全局卷积层位于上述降噪块的上一层，上述全局卷积层用于将输入上述全局卷积层的特征图进行全局性融合处理，得到上述待处理图像细粒度特征图，上述降噪块用于将上述待处理图像细粒度特征图进行降噪处理。
本申请实施例的图像分类方法可以通过电子设备实现，具体的，该电子设备为服务器。
上述预先训练的图像分类模型包括特殊残差块网络，上述特殊残差块网络包括全局卷积层和降噪块，上述全局卷积层位于上述降噪块的上一层，相较于普通残差块网络，特殊残差块网络在降噪块的上一层增加了全局卷积层，以使在降噪块对特征图进行降噪处理之前，使用全局卷积层将输入上述全局卷积层的特征图进行全局性融合处理，以此得到上述待处理图像细粒度特征图，使得降噪块对待处理图像细粒度特征图进行对抗性降噪，从而抑制特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了预先训练的图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。
上述预先训练的图像分类模型可有输入层、卷积层、特殊残差块网络、普通残差块网络、输出层，其中，卷积层、特殊残差块网络、普通残差块网络的数量可根据实际需要进行设定，卷积层、特殊残差块网络、普通残差块网络的位于上述预先训练的图像分类模型的位置也可根据实际需要进行调整。例如，上述预先训练的图像分类模型的网络层为：输入层、第一卷积层、特殊残差块网络、普通残差块网络、输出层；或者，上述预先训练的图像分类模型的网络层为：输入层、第一卷积层、特殊残差块网络、第一普通残差块网络、第二普通残差块网络、输出层；或者，上述预先训练的图像分类模型的网络层为：输入层、第一卷积层、第一特殊残差块网络、第一普通残差块网络、第二特殊残差块网络、第二普通残差块网络、输出层等。
具体的，特殊残差块网络可包括多个卷积层，全局卷积层，以及降噪块，具体的，卷积层的数量可根据实际需要进行设定。例如，特殊残差块网络的网络层为：第二卷积层、第三卷积层、第四卷积层、全局卷积层及降噪块。其中，各个卷积层卷积核的大小根据实际需要进行设定。
步骤120，将上述待处理图像输入到上述预先训练的图像分类模型中进行处理，得到上述待处理图像的分类结果。
将上述待处理图像输入到上述预先训练的图像分类模型中进行处理，可以得到上述待处理图像的分类结果。例如待处理图像为狗，输入上述预先训练的图像分类模型中进行处理，得出上述待处理图像的分类结果为动物。
通过将全局卷积层和降噪块设置在预先训练的图像分类模型的特殊残差块网络中，上述待处理图像输入到上述预先训练的图像分类模型中进行处理时，全局卷积层用于将输入上述全局卷积层的特征图进行全局性融合处理，得到上述待处理图像细粒度特征图，通过降噪块对待处理图像细粒度特征图进行对抗性降噪，抑制了特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了预先训练的图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。
参见图2a，图2a为本申请实施例的图像分类模型的一种示意图，在一种可能的实施方式中，上述图像分类模型还包括：输入层R1、第一卷积层J1、普通残差块网络P1、输出层C1；
上述将上述待处理图像输入到上述预先训练的图像分类模型中进行处理，得到上述待处理图像的分类结果，包括：
将上述待处理图像输入到上述输入层R1，通过上述输入层R1对上述待处理图像进行预处理，得到预处理后的待处理图像；
利用上述第一卷积层J1对预处理后的待处理图像进行特征提取，得到第一特征图；
将上述第一特征图输入到上述特殊残差块网络T1进行全局性融合及降噪处理，得到第一目标特征图；
将上述第一目标特征图输入到上述普通残差块网络P1进行处理，得到第二目标特征图；
将上述第二目标特征图输入到上述输出层C1进行处理，得到上述待处理图像的分类结果。
第一卷积层J1的卷积核大小可根据需要进行设定，利用上述第一卷积层J1对预处理后的待处理图像进行特征提取，得到第一特征图，将上述第一特征图输入到上述特殊残差块网络T1进行全局性融合及降噪处理，得到第一目标特征图，将上述第一目标特征图输入到上述普通残差块网络P1进行处理，得到第二目标特征图，将上述第二目标特征图输入到上述输出层C1进行处理，得到上述待处理图像的分类结果。其中，每个网络层输出的特征图的个数取决于每个网络层卷积核的个数，例如，第一卷积层J1有16个卷积核，则利用上述第一卷积层J1对预处理后的待处理图像进行特征提取，得到的第一特征图一共有16张，通过全局卷积层用于将输入上述全局卷积层的特征图进行全局性融合处理，得到上述待处理图像细粒度特征图，通过降噪块对待处理图像细粒度特征图进行对抗性降噪，抑制了特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了预先训练的图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。
参见图2b，图2b为本申请实施例的图像分类模型中特殊残差块网络的第一种示意图，在一种可能的实施方式中，上述特殊残差块网络T1包括，第二卷积层J2、第三卷积层J3、第四卷积层J4、上述全局卷积层Q1及上述降噪块Z1，参见图2c，图2c为本申请实施例的图像分类模型中特殊残差块网络的第二种示意图，上述全局卷积层Q1包括：第一卷积网络层D1，第二卷积网络层D2，运算层Y1；
参见图2d，图2d为本申请实施例的图像分类模型中特殊残差块网络的第三种示意图，上述第一卷积网络层D1包括：第五卷积层J5，第六卷积层J6，上述第五卷积层J5的卷积核大小为k×1，上述第六卷积层J6的卷积核大小为1×k；
上述第二卷积网络层D2包括：第七卷积层J7，第八卷积层J8，上述第七卷积层J7的卷积核大小为1×k，上述第八卷积层J8的卷积核大小为k×1；
上述将上述第一特征图输入到上述特殊残差块网络T1进行处理，得到第一目标特征图，包括：
将上述第一特征图输入到上述第二卷积层J2进行处理，得到第二卷积层J2处理后的特征图；
将上述第二卷积层J2处理后的特征图输入到上述第三卷积层J3进行处理，得到第三卷积层J3处理后的特征图；
将上述第四卷积层J4处理后的特征图输入到上述第四卷积层J4进行处理，得到第四卷积层J4处理后的特征图；
将上述第四卷积层J4处理后的特征图分别输入到上述第五卷积层J5和上述第七卷积层J7进行处理，分别得到第五卷积层J5处理后的特征图、第七卷积层J7处理后的特征图；
将上述第五卷积层J5处理后的特征图输入到上述第六卷积层J6进行处理，得到第六卷积层J6处理后的特征图；
将上述第七卷积层J7处理后的特征图输入到上述第八卷积层J8进行处理，得到第八卷积层J8处理后的特征图；
将上述第六卷积层J6处理后的特征图和上述第八卷积层J8处理后的特征图输入到上述运算层Y1进行处理，得到全局卷积特征图；
将上述全局卷积特征图输入到上述降噪块Z1中进行处理，得到第一目标特征图。
通过上述降噪块处理后的特征图表示为：
Figure BDA0002429012770000111
其中：x为上述待处理图像细粒度特征图，其中x＝{x1,…,xm}，xi为输入到上述降噪块的第i张待处理图像细粒度特征图，i∈{1,…,m}，m表示一共有m张上述待处理图像细粒度特征图，C(x)为归一化函数，yi为通过上述降噪块降噪处理后的特征图；xj为输入到上述降噪块的第j张待处理图像细粒度特征图，j∈{1,…,m}；f(xi,xj)为预设加权函数，上述预设加权函数f(xi,xj)可以表示为：
Figure BDA0002429012770000112
其中：d为上述输入到上述降噪块的待处理图像细粒度特征图的通道数；θ(xi)为xi经过预设第一卷积操作后的特征图，
Figure BDA0002429012770000113
为xj经过预设第二卷积操作后的特征图，其中预设第一卷积和预设第二卷积为卷积操作方式，例如，预设第一卷积和预设第二卷积均为1乘1的卷积。其中，预设第一卷积和预设第二卷积可根据实际需要进行设定，在此不做限定。
上述预设加权函数f(xi,xj)还可以表示为：
Figure BDA0002429012770000114
其中，N为输入x中的像素个数。
具体的，通过上述降噪块进行降噪处理可参考现有/相关技术中的降噪处理方式，在此不再赘述。
通过全局卷积层用于将输入上述全局卷积层的特征图进行全局性融合处理，得到上述待处理图像细粒度特征图，通过降噪块对待处理图像细粒度特征图进行对抗性降噪，抑制了特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了预先训练的图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。
在一种可能的实施方式中，上述预先训练的图像分类模型的训练步骤，包括：
步骤一，获取样本图像和图像分类模型，上述样本图像标注有图像类别；
步骤二，将上述样本图像输入上述图像分类模型中进行处理，得到上述样本图像的分类结果；上述图像分类模型包括待训练的特殊残差块网络，上述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，上述待训练的全局卷积层位于上述待训练的降噪块的上一层，上述待训练的全局卷积层用于将输入上述待训练的全局卷积层的特征图进行全局性融合处理，得到上述样本图像细粒度特征图，上述待训练的降噪块用于将上述样本图像细粒度特征图进行降噪处理；
步骤三，根据上述样本图像的图像类别、上述样本图像的分类结果确定上述图像分类模型的损失函数的损失值；
步骤四，根据上述损失值判断上述图像分类模型是否收敛，在上述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。
获取样本图像和图像分类模型，上述样本图像标注有图像类别，样本图像可按照预设数据集方式将上述样本图像输入上述图像分类模型中进行处理，以此得到上述样本图像的分类结果，具体的，样本图像可以按照CIFAR-10数据集方式。上述图像分类模型包括待训练的特殊残差块网络，上述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，上述待训练的全局卷积层位于上述待训练的降噪块的上一层，上述待训练的全局卷积层用于将输入上述待训练的全局卷积层的特征图进行全局性融合处理，得到上述样本图像细粒度特征图，上述待训练的降噪块用于将上述样本图像细粒度特征图进行降噪处理，根据上述样本图像的图像类别、上述样本图像的分类结果确定上述图像分类模型的损失函数的损失值，根据上述损失值判断上述图像分类模型是否收敛，在上述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。当上述图像分类模型不收敛时，返回步骤二，继续对上述图像分类模型进行训练。
通过将待训练的全局卷积层和待训练的降噪块设置在图像分类模型的特殊残差块网络中，上述样本图像输入到上述图像分类模型中进行处理时，待训练的全局卷积层用于将输入上述待训练的全局卷积层的特征图进行全局性融合处理，得到上述样本图像细粒度特征图，通过待训练的降噪块对样本图像细粒度特征图进行对抗性降噪，抑制了特征图中由于对抗样本的攻击产生的大部分噪声，从而增强了图像分类模型处理不同特征图变换的能力，同时提高了图像分类模型对于对抗样本攻击的防御能力，从而提高了模型对于对抗样本攻击的鲁棒性。
本申请实施例提供了图像分类装置，参见图3，图3为本申请实施例的图像分类装置的一种示意图，包括：采集模块310，处理模块320。
采集模块310，用于获取待处理图像和预先训练的图像分类模型，上述预先训练的图像分类模型包括特殊残差块网络，上述特殊残差块网络包括全局卷积层和降噪块，上述全局卷积层位于上述降噪块的上一层，上述全局卷积层用于将输入上述全局卷积层的特征图进行全局性融合处理，得到上述待处理图像细粒度特征图，上述降噪块用于将上述待处理图像细粒度特征图进行降噪处理；
处理模块320，用于将上述待处理图像输入到上述预先训练的图像分类模型中进行处理，得到上述待处理图像的分类结果。
在一种可能的实施方式中，上述图像分类模型还包括：输入层、第一卷积层、普通残差块网络、输出层；
上述处理模块320具体用于：
将上述待处理图像输入到上述输入层，通过上述输入层对上述待处理图像进行预处理，得到预处理后的待处理图像；
利用上述第一卷积层对预处理后的待处理图像进行特征提取，得到第一特征图；
将上述第一特征图输入到上述特殊残差块网络进行全局性融合及降噪处理，得到第一目标特征图；
将上述第一目标特征图输入到上述普通残差块网络进行处理，得到第二目标特征图；
将上述第二目标特征图输入到上述输出层进行处理，得到上述待处理图像的分类结果。
在一种可能的实施方式中，上述特殊残差块网络包括，第二卷积层、第三卷积层、第四卷积层、上述全局卷积层及上述降噪块，上述全局卷积层包括：第一卷积网络层，第二卷积网络层，运算层；
上述第一卷积网络层包括：第五卷积层，第六卷积层，上述第五卷积层的卷积核大小为k×1，上述第六卷积层的卷积核大小为1×k；
上述第二卷积网络层包括：第七卷积层，第八卷积层，上述第七卷积层的卷积核大小为1×k，上述第八卷积层的卷积核大小为k×1；
上述处理模块320具体用于：
将上述第一特征图输入到上述第二卷积层进行处理，得到第二卷积层处理后的特征图；
将上述第二卷积层处理后的特征图输入到上述第三卷积层进行处理，得到第三卷积层处理后的特征图；
将上述第四卷积层处理后的特征图输入到上述第四卷积层进行处理，得到第四卷积层处理后的特征图；
将上述第四卷积层处理后的特征图分别输入到上述第五卷积层和上述第七卷积层进行处理，分别得到第五卷积层处理后的特征图、第七卷积层处理后的特征图；
将上述第五卷积层处理后的特征图输入到上述第六卷积层进行处理，得到第六卷积层处理后的特征图；
将上述第七卷积层处理后的特征图输入到上述第八卷积层进行处理，得到第八卷积层处理后的特征图；
将上述第六卷积层处理后的特征图和上述第八卷积层处理后的特征图输入到上述运算层进行处理，得到全局卷积特征图；
将上述全局卷积特征图输入到上述降噪块中进行处理，得到第一目标特征图。
在一种可能的实施方式中，上述装置还包括训练模块，上述训练模板具体用于：
获取样本图像和图像分类模型，上述样本图像标注有图像类别；
将上述样本图像输入上述图像分类模型中进行处理，得到上述样本图像的分类结果；上述图像分类模型包括待训练的特殊残差块网络，上述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，上述待训练的全局卷积层位于上述待训练的降噪块的上一层，上述待训练的全局卷积层用于将输入上述待训练的全局卷积层的特征图进行全局性融合处理，得到上述样本图像细粒度特征图，上述待训练的降噪块用于将上述样本图像细粒度特征图进行降噪处理；
根据上述样本图像的图像类别、上述样本图像的分类结果确定上述图像分类模型的损失函数的损失值；
根据上述损失值判断上述图像分类模型是否收敛，在上述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。
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。
本申请实施例还提供了一种电子设备，参见图4，图4为本申请实施例的电子设备的一种示意图，包括：处理器410、通信接口420、存储器430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。
上述存储器430，用于存放计算机程序；
上述处理器410，用于执行上述存储器430存放的计算机程序时，实现如下步骤：
获取待处理图像和预先训练的图像分类模型，上述预先训练的图像分类模型包括特殊残差块网络，上述特殊残差块网络包括全局卷积层和降噪块，上述全局卷积层位于上述降噪块的上一层，上述全局卷积层用于将输入上述全局卷积层的特征图进行全局性融合处理，得到上述待处理图像细粒度特征图，上述降噪块用于将上述待处理图像细粒度特征图进行降噪处理；
将上述待处理图像输入到上述预先训练的图像分类模型中进行处理，得到上述待处理图像的分类结果。
可选的，处理器410，用于执行存储器430上所存放的程序时，还可以实现上述任一图像分类方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
在本申请实施例中，还提供了一种存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一上述的图像分类方法。
在本申请实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一上述的图像分类方法。
需要说明的是，在本文中，各个可选方案中的技术特征只要不矛盾均可组合来形成方案，这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及存储介质的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上上述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种图像分类方法，其特征在于，所述方法包括：
获取待处理图像和预先训练的图像分类模型，所述预先训练的图像分类模型包括特殊残差块网络，所述特殊残差块网络包括全局卷积层和降噪块，所述全局卷积层位于所述降噪块的上一层，所述全局卷积层用于将输入所述全局卷积层的特征图进行全局性融合处理，得到所述待处理图像细粒度特征图，所述降噪块用于将所述待处理图像细粒度特征图进行降噪处理；
将所述待处理图像输入到所述预先训练的图像分类模型中进行处理，得到所述待处理图像的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述图像分类模型还包括：输入层、第一卷积层、普通残差块网络、输出层；
所述将所述待处理图像输入到所述预先训练的图像分类模型中进行处理，得到所述待处理图像的分类结果，包括：
将所述待处理图像输入到所述输入层，通过所述输入层对所述待处理图像进行预处理，得到预处理后的待处理图像；
利用所述第一卷积层对预处理后的待处理图像进行特征提取，得到第一特征图；
将所述第一特征图输入到所述特殊残差块网络进行全局性融合及降噪处理，得到第一目标特征图；
将所述第一目标特征图输入到所述普通残差块网络进行处理，得到第二目标特征图；
将所述第二目标特征图输入到所述输出层进行处理，得到所述待处理图像的分类结果。
3.根据权利要求2所述的方法，其特征在于，所述特殊残差块网络包括，第二卷积层、第三卷积层、第四卷积层、所述全局卷积层及所述降噪块，所述全局卷积层包括：第一卷积网络层，第二卷积网络层，运算层；
所述第一卷积网络层包括：第五卷积层，第六卷积层，所述第五卷积层的卷积核大小为k×1，所述第六卷积层的卷积核大小为1×k；
所述第二卷积网络层包括：第七卷积层，第八卷积层，所述第七卷积层的卷积核大小为1×k，所述第八卷积层的卷积核大小为k×1；
所述将所述第一特征图输入到所述特殊残差块网络进行处理，得到第一目标特征图，包括：
将所述第一特征图输入到所述第二卷积层进行处理，得到第二卷积层处理后的特征图；
将所述第二卷积层处理后的特征图输入到所述第三卷积层进行处理，得到第三卷积层处理后的特征图；
将所述第四卷积层处理后的特征图输入到所述第四卷积层进行处理，得到第四卷积层处理后的特征图；
将所述第四卷积层处理后的特征图分别输入到所述第五卷积层和所述第七卷积层进行处理，分别得到第五卷积层处理后的特征图、第七卷积层处理后的特征图；
将所述第五卷积层处理后的特征图输入到所述第六卷积层进行处理，得到第六卷积层处理后的特征图；
将所述第七卷积层处理后的特征图输入到所述第八卷积层进行处理，得到第八卷积层处理后的特征图；
将所述第六卷积层处理后的特征图和所述第八卷积层处理后的特征图输入到所述运算层进行处理，得到全局卷积特征图；
将所述全局卷积特征图输入到所述降噪块中进行处理，得到第一目标特征图。
4.根据权利要求1-3任一所述的方法，其特征在于，所述预先训练的图像分类模型的训练步骤，包括：
获取样本图像和图像分类模型，所述样本图像标注有图像类别；
将所述样本图像输入所述图像分类模型中进行处理，得到所述样本图像的分类结果；所述图像分类模型包括待训练的特殊残差块网络，所述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，所述待训练的全局卷积层位于所述待训练的降噪块的上一层，所述待训练的全局卷积层用于将输入所述待训练的全局卷积层的特征图进行全局性融合处理，得到所述样本图像细粒度特征图，所述待训练的降噪块用于将所述样本图像细粒度特征图进行降噪处理；
根据所述样本图像的图像类别、所述样本图像的分类结果确定所述图像分类模型的损失函数的损失值；
根据所述损失值判断所述图像分类模型是否收敛，在所述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。
5.一种图像分类装置，其特征在于，所述装置包括：
采集模块，用于获取待处理图像和预先训练的图像分类模型，所述预先训练的图像分类模型包括特殊残差块网络，所述特殊残差块网络包括全局卷积层和降噪块，所述全局卷积层位于所述降噪块的上一层，所述全局卷积层用于将输入所述全局卷积层的特征图进行全局性融合处理，得到所述待处理图像细粒度特征图，所述降噪块用于将所述待处理图像细粒度特征图进行降噪处理；
处理模块，用于将所述待处理图像输入到所述预先训练的图像分类模型中进行处理，得到所述待处理图像的分类结果。
6.根据权利要求5所述的装置，其特征在于，所述图像分类模型还包括：输入层、第一卷积层、普通残差块网络、输出层；
所述处理模块具体用于：
将所述待处理图像输入到所述输入层，通过所述输入层对所述待处理图像进行预处理，得到预处理后的待处理图像；
利用所述第一卷积层对预处理后的待处理图像进行特征提取，得到第一特征图；
将所述第一特征图输入到所述特殊残差块网络进行全局性融合及降噪处理，得到第一目标特征图；
将所述第一目标特征图输入到所述普通残差块网络进行处理，得到第二目标特征图；
将所述第二目标特征图输入到所述输出层进行处理，得到所述待处理图像的分类结果。
7.根据权利要求6所述的装置，其特征在于，所述特殊残差块网络包括，第二卷积层、第三卷积层、第四卷积层、所述全局卷积层及所述降噪块，所述全局卷积层包括：第一卷积网络层，第二卷积网络层，运算层；
所述第一卷积网络层包括：第五卷积层，第六卷积层，所述第五卷积层的卷积核大小为k×1，所述第六卷积层的卷积核大小为1×k；
所述第二卷积网络层包括：第七卷积层，第八卷积层，所述第七卷积层的卷积核大小为1×k，所述第八卷积层的卷积核大小为k×1；
所述处理模块具体用于：
将所述第一特征图输入到所述第二卷积层进行处理，得到第二卷积层处理后的特征图；
将所述第二卷积层处理后的特征图输入到所述第三卷积层进行处理，得到第三卷积层处理后的特征图；
将所述第四卷积层处理后的特征图输入到所述第四卷积层进行处理，得到第四卷积层处理后的特征图；
将所述第四卷积层处理后的特征图分别输入到所述第五卷积层和所述第七卷积层进行处理，分别得到第五卷积层处理后的特征图、第七卷积层处理后的特征图；
将所述第五卷积层处理后的特征图输入到所述第六卷积层进行处理，得到第六卷积层处理后的特征图；
将所述第七卷积层处理后的特征图输入到所述第八卷积层进行处理，得到第八卷积层处理后的特征图；
将所述第六卷积层处理后的特征图和所述第八卷积层处理后的特征图输入到所述运算层进行处理，得到全局卷积特征图；
将所述全局卷积特征图输入到所述降噪块中进行处理，得到第一目标特征图。
8.根据权利要求5-7任一所述的装置，其特征在于，所述装置还包括训练模块，所述训练模板具体用于：
获取样本图像和图像分类模型，所述样本图像标注有图像类别；
将所述样本图像输入所述图像分类模型中进行处理，得到所述样本图像的分类结果；所述图像分类模型包括待训练的特殊残差块网络，所述待训练的特殊残差块网络包括待训练的全局卷积层和待训练的降噪块，所述待训练的全局卷积层位于所述待训练的降噪块的上一层，所述待训练的全局卷积层用于将输入所述待训练的全局卷积层的特征图进行全局性融合处理，得到所述样本图像细粒度特征图，所述待训练的降噪块用于将所述样本图像细粒度特征图进行降噪处理；
根据所述样本图像的图像类别、所述样本图像的分类结果确定所述图像分类模型的损失函数的损失值；
根据所述损失值判断所述图像分类模型是否收敛，在所述图像分类模型的损失函数收敛时，得到训练好的图像分类模型。
9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，
所述处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4中任一项所述的图像分类方法。
10.一种存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的图像分类方法。
CN202010230084.3A 2020-03-27 2020-03-27 图像分类方法、装置、电子设备及存储介质 Active CN111340138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010230084.3A CN111340138B (zh) 2020-03-27 2020-03-27 图像分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010230084.3A CN111340138B (zh) 2020-03-27 2020-03-27 图像分类方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111340138A true CN111340138A (zh) 2020-06-26
CN111340138B CN111340138B (zh) 2023-12-29

Family

ID=71184683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010230084.3A Active CN111340138B (zh) 2020-03-27 2020-03-27 图像分类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111340138B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017134519A1 (en) * 2016-02-01 2017-08-10 See-Out Pty Ltd. Image classification and labeling
CN109903238A (zh) * 2019-01-24 2019-06-18 华南理工大学 一种细粒度图片处理方法、装置和存储介质
CN110598029A (zh) * 2019-09-06 2019-12-20 西安电子科技大学 基于注意力转移机制的细粒度图像分类方法
CN110782398A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017134519A1 (en) * 2016-02-01 2017-08-10 See-Out Pty Ltd. Image classification and labeling
CN110782398A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN109903238A (zh) * 2019-01-24 2019-06-18 华南理工大学 一种细粒度图片处理方法、装置和存储介质
CN110598029A (zh) * 2019-09-06 2019-12-20 西安电子科技大学 基于注意力转移机制的细粒度图像分类方法
CN110889428A (zh) * 2019-10-21 2020-03-17 浙江大搜车软件技术有限公司 图像识别方法、装置、计算机设备与存储介质

Also Published As

Publication number Publication date
CN111340138B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN110163300B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN112101190B (zh) 一种遥感图像分类方法、存储介质及计算设备
CN110909663A (zh) 一种人体关键点识别方法、装置及电子设备
CN109934826A (zh) 一种基于图卷积网络的图像特征分割方法
CN113592923B (zh) 一种基于深度局部特征匹配的批图像配准方法
CN112001406B (zh) 一种文本区域检测方法及装置
CN109886390B (zh) 卷积神经网络模型优化方法、装置、计算机设备及存储介质
CN113536003B (zh) 特征提取模型训练方法、图像检索方法、装置和设备
CN108710907A (zh) 手写体数据分类方法、模型训练方法、装置、设备及介质
CN111178364A (zh) 一种图像识别方法和装置
CN110909664A (zh) 一种人体关键点识别方法、装置及电子设备
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
WO2024179388A1 (zh) 一种复式神经网络架构的浮游生物目标检测与分类方法
CN110287361B (zh) 一种人物图片筛选方法及装置
CN112528703B (zh) 一种识别表格结构的方法、装置及电子设备
CN111753729B (zh) 一种假脸检测方法、装置、电子设备及存储介质
CN115859964B (zh) 基于教育云平台的教育资源共享方法及系统
CN111340138A (zh) 图像分类方法、装置、电子设备及存储介质
CN113033542B (zh) 一种文本识别模型的生成方法以及装置
CN111640076B (zh) 一种图像补全方法、装置及电子设备
CN111797972B (zh) 应用卷积神经网络处理数据的方法、装置和电子系统
CN113066486A (zh) 数据识别方法、装置、电子设备和计算机可读存储介质
CN110909914A (zh) 诉讼成功率预测方法、装置、计算机设备和存储介质
CN112288003B (zh) 一种神经网络训练、及目标检测方法和装置
CN113139579B (zh) 一种基于图像特征自适应卷积网络的图像分类方法和系统

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