CN111539962A - 一种目标图像分类方法、装置以及介质 - Google Patents
一种目标图像分类方法、装置以及介质 Download PDFInfo
- Publication number
- CN111539962A CN111539962A CN202010028016.9A CN202010028016A CN111539962A CN 111539962 A CN111539962 A CN 111539962A CN 202010028016 A CN202010028016 A CN 202010028016A CN 111539962 A CN111539962 A CN 111539962A
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- type
- network
- classified
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种目标图像分类方法，包括：根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。本申请实施例通过分级网络确定出目标图像的类型，再针对目标图像的类型获取对应的分类网络，通过该分类网络对待分类图像中的目标图像进行分类，使得分类的效果更好。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种目标图像分类方法、装置以及介质。
背景技术
图像分类是计算机视觉领域中的一个重要分支。现有的图像分类技术主要基于深度学习框架，虽然已经取得了重大突破，然而某些图像中，待分类目标的信息量较少，使得分类模型难以获取到该目标的有效内容，分类效果并不显著。
发明内容
有鉴于此，本申请实施例提供了一种目标图像的分类方法、装置以及介质，用于解决现有技术中图像分类技术分类效果不显著的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种目标图像分类方法，所述方法包括：
根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
进一步的，所述目标图像的类型包括第一类型的目标图像以及第二类型的目标图像；
根据所述目标图像的像素点占所述待分类图像的比例，确定出所述目标图像的类型，具体包括：
计算出所述目标图像的像素点占所述待分类图像的像素点的比例；
判断所述目标图像的像素点占所述待分类图像的像素点的比例是否小于预设值；
若判断出所述目标图像的像素点占所述待分类图像的像素点的比例小于预设值，则将所述目标图像的类型设定为所述第二类型的目标图像；
若判断出所述目标图像的像素点占所述待分类图像的像素点的比例不小于预设值，则将所述目标图像的类型设定为所述第一类型的目标图像。
进一步的，所述分类网络包括与第一类型的目标图像相应的第一级分类网络以及与第二类型的目标图像相应的第二级分类网络；
所述获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类，具体包括：
若所述目标图像的类型为第一类型的目标图像时，获取所述第一分类网络，通过所述第一分类网络对待分类图像中的目标图像进行分类；
若所述目标图像的类型为第二类型的目标图像时，获取所述第二分类网络，通过所述第二分类网络对待分类图像中的目标图像进行分类。
进一步的，所述第一级分类网络包括稠密卷积神经网络；
所述若所述目标图像的类型为第一类型的目标图像时，获取所述第一分类网络，通过所述第一分类网络对待分类图像中的目标图像进行分类，具体包括：
若所述目标图像的类型为第一类型的目标图像时，获取所述稠密卷积神经网络，通过所述稠密卷积神经网络对待分类图像中的目标图像进行分类。
进一步的，所述第二级分类网络包括稠密卷积神经网络与目标提取网络，所述目标提取网络包括目标分割网络与目标放大网络；
所述若所述目标图像的类型为第二类型的目标图像时，获取所述第二分类网络，通过所述第二分类网络对待分类图像中的目标图像进行分类，具体包括：
所述若所述目标图像的类型为第二类型的目标图像时，获取所述全卷积神经网络与目标放大网络；
将所述待分类图像输入至目标分割网络，以便于提取出目标图像，并将目标图像输入至目标放大网络，以便于放大目标图像；
通过所述稠密卷积神经网络待分类图像中的目标图像进行分类。
进一步的，所述分级网络包括接入1*1卷积层的残差网络。
进一步的，所述方法还包括：
根据预先设定的分级网络对交通行驶图像进行分割，得出目标图像的像素点；
根据所述目标图像的像素点占所述交通行驶图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述交通行驶图像的类型相应的分类网络，通过所述分类网络对交通行驶图像中的目标图像进行分类。
进一步的，所述目标图像包括红绿灯图像、限速标识图像以及道路指示图像。
本申请实施例还提供一种目标图像分类装置，其特征在于，所述装置包括：
分割单元，用于根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
确定单元，用于根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
分类单元，获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
本申请实施例还提供一种目标图像分类介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现下述步骤：
根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过分级网络确定出目标图像的类型，再针对目标图像的类型获取对应的分类网络，通过该分类网络对待分类图像中的目标图像进行分类，使得分类的效果更好。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的目标图像分类方法的流程示意图；
图2为本说明书实施例三提供的目标图像分类装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种目标图像分类方法的流程示意图。
本说明书实施例可以由目标图像分类系统执行下述步骤，具体包括：
步骤S101，根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点。
步骤S102，根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型。
步骤S103，获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
本申请实施例通过分级网络确定出目标图像的类型，再针对目标图像的类型获取对应的分类网络，通过该分类网络对待分类图像中的目标图像进行分类，使得分类的效果更好。
与上述实施例一对应的，本说明书实施例二提供的一种目标图像分类方法，本说明书实施例可以由目标图像分类系统执行下述步骤，具体包括：
步骤S201，根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点。
在说明书实施例步骤S201中，分级网络包括接入1*1卷积层的残差网络。其中，残差网络接入1*1卷积层可以不限制输入图像的尺寸，使残差网络更灵活，其中，ResNet(Residual Neural Network，残差网络)，可以通过使用ResNet Unit成功训练出了152层的神经网络，在top5上的错误率为3.57％，同时参数量比VGGNet低，效果非常突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。
在说明书实施例的步骤S201中，分级网络可以对待分类图像进行分割，得出该图像内所有的目标图像。此外，在得到目标图像的像素点之前，也可以预先设定需要获取的目标种类，这就需要分级网络具备图像识别功能，可以预先识别出预先设定的目标，这样也更利于应用于不同的场景下。
在说明书实施例步骤S201中，针对不同的应用场景，待分类图像可以为不同的图像，比如，在自动驾驶的场景中，待分类图像可以为交通行驶图像。相应的，目标图像可以包括不同场景中需要特别注意的图像，比如，在自动驾驶的场景中，目标图像可以包括红绿灯图像、限速标识图像以及路面行驶的状况等。
步骤S202，根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型。
在说明书实施例步骤S202中，目标图像的类型包括第一类型的目标图像以及第二类型的目标图像；
根据所述目标图像的像素点占所述待分类图像的比例，确定出所述目标图像的类型，具体包括：
计算出所述目标图像的像素点占所述待分类图像的像素点的比例；
判断所述目标图像的像素点占所述待分类图像的像素点的比例是否小于预设值；
若判断出所述目标图像的像素点占所述待分类图像的像素点的比例小于预设值，则将所述目标图像的类型设定为所述第二类型的目标图像；
若判断出所述目标图像的像素点占所述待分类图像的像素点的比例不小于预设值，则将所述目标图像的类型设定为所述第一类型的目标图像。
对于一些小目标的进行分类时，由于目标图像的信息量较少，现有技术在进行分类时，效果较差，通过上述方法区分出相应的类型，针对不同的类型使用不同的分类网络，进而使得分类的效果会更好。
比如，将预设值设置为0.01，若判断出所述目标图像的像素点占所述待分类图像的像素点的比例小于0.01，则将所述目标图像的类型设定为所述第二类型的目标图像；若判断出所述目标图像的像素点占所述待分类图像的像素点的比例不小于0.01，则将所述目标图像的类型设定为所述第一类型的目标图像。
步骤S203，获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
在本说明书实施例的步骤S203中，所述分类网络包括与第一类型的目标图像相应的第一级分类网络以及与第二类型的目标图像相应的第二级分类网络；
所述获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类，具体包括：
若所述目标图像的类型为第一类型的目标图像时，获取所述第一分类网络，通过所述第一分类网络对待分类图像中的目标图像进行分类；
若所述目标图像的类型为第二类型的目标图像时，获取所述第二分类网络，通过所述第二分类网络对待分类图像中的目标图像进行分类。
进一步的，在本说明书实施例的步骤S203中，所述第一级分类网络包括稠密卷积神经网络。若所述目标图像的类型为第一类型的目标图像时，获取所述第一分类网络，通过所述第一分类网络对待分类图像中的目标图像进行分类，具体包括：若所述目标图像的类型为第一类型的目标图像时，获取稠密卷积神经网络，通过稠密卷积神经网络对待分类图像中的目标图像进行分类，最后利用绝大数投票法对分类结果进行融合，获得最终的分类结果。
进一步的，在本说明书实施例的步骤S203中，所述第二级分类网络包括稠密卷积神经网络(densenet网络)与目标提取网络，若所述目标图像的类型为第二类型的目标图像时，获取所述第二分类网络，通过所述第二分类网络对待分类图像中的目标图像进行分类，具体包括：
所述若所述目标图像的类型为第二类型的目标图像时，获取所述全卷积神经网络与目标放大网络；
将所述待分类图像输入至目标分割网络，以便于提取出目标图像，并将目标图像输入至目标放大网络，以便于放大目标图像；
通过所述稠密卷积神经网络待分类图像中的目标图像进行分类，最后利用绝大数投票法对分类结果进行融合，获得最终的分类结果。
其中，目标放大网络可以为cycleGan，cycleGan是两个镜像对称的GAN(对抗网络)，构成了一个环形网络。
需要说明的是,目标图像分类是根据目标图像在图像信息中所反映的不同特征，把不同类别的目标图像区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。目标图像分类主要是基于图像的内容对目标图像进行标记，通常会有一组固定的标签，而第二级分类网络可以预测出目标图像的标签。
进一步的，若是将目标分割系统应用在自动驾驶，所述方法包括：
根据预先设定的分级网络对预先获取的交通行驶图像进行分割，得出预先设定的目标图像的像素点；
根据所述目标图像的像素点占所述交通行驶图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述交通行驶图像的类型相应的分类网络，通过所述分类网络对交通行驶图像中的目标图像进行分类。
其中，目标图像包括红绿灯图像、限速标识图像、道路指示图像以及路面行驶的状况。通过目标图像分类系统将交通行驶图像中的目标图像进行分类。
本申请实施例通过分级网络确定出目标图像的类型，再针对目标图像的类型获取对应的分类网络，通过该分类网络对待分类图像中的目标图像进行分类，使得分类的效果更好。
与上述实施例二对应的，图2为本说明书实施例三提供的一种目标分割装置的结构示意图。
本说明书实施例可以由目标分割系统执行下述步骤，具体包括：分割单元1、确定单元2以及分类单元3。
分割单元1用于根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
确定单元2用于根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
分类单元3获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
本申请实施例通过分级网络确定出目标图像的类型，再针对目标图像的类型获取对应的分类网络，通过该分类网络对待分类图像中的目标图像进行分类，使得分类的效果更好。
本申请实施例还提供一种目标图像分类介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现下述步骤：
根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
本申请实施例通过分级网络确定出目标图像的类型，再针对目标图像的类型获取对应的分类网络，通过该分类网络对待分类图像中的目标图像进行分类，使得分类的效果更好。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，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，对于系统实施例而言，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种目标图像分类方法，其特征在于，所述方法包括：
根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
2.根据权利要求1所述的目标图像分类方法，其特征在于，所述目标图像的类型包括第一类型的目标图像以及第二类型的目标图像；
根据所述目标图像的像素点占所述待分类图像的比例，确定出所述目标图像的类型，具体包括：
计算出所述目标图像的像素点占所述待分类图像的像素点的比例；
判断所述目标图像的像素点占所述待分类图像的像素点的比例是否小于预设值；
若判断出所述目标图像的像素点占所述待分类图像的像素点的比例小于预设值，则将所述目标图像的类型设定为所述第二类型的目标图像；
若判断出所述目标图像的像素点占所述待分类图像的像素点的比例不小于预设值，则将所述目标图像的类型设定为所述第一类型的目标图像。
3.根据权利要求2所述的目标图像分类方法，其特征在于，所述分类网络包括与第一类型的目标图像相应的第一级分类网络以及与第二类型的目标图像相应的第二级分类网络；
所述获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类，具体包括：
若所述目标图像的类型为第一类型的目标图像时，获取所述第一分类网络，通过所述第一分类网络对待分类图像中的目标图像进行分类；
若所述目标图像的类型为第二类型的目标图像时，获取所述第二分类网络，通过所述第二分类网络对待分类图像中的目标图像进行分类。
4.根据权利要求3所述的目标图像分类方法，其特征在于，所述第一级分类网络包括稠密卷积神经网络；
所述若所述目标图像的类型为第一类型的目标图像时，获取所述第一分类网络，通过所述第一分类网络对待分类图像中的目标图像进行分类，具体包括：
若所述目标图像的类型为第一类型的目标图像时，获取所述稠密卷积神经网络，通过所述稠密卷积神经网络对待分类图像中的目标图像进行分类。
5.根据权利要求3所述的目标图像分类方法，其特征在于，所述第二级分类网络包括稠密卷积神经网络与目标提取网络，所述目标提取网络包括目标分割网络与目标放大网络；
所述若所述目标图像的类型为第二类型的目标图像时，获取所述第二分类网络，通过所述第二分类网络对待分类图像中的目标图像进行分类，具体包括：
所述若所述目标图像的类型为第二类型的目标图像时，获取所述全卷积神经网络与目标放大网络；
将所述待分类图像输入至目标分割网络，以便于提取出目标图像，并将目标图像输入至目标放大网络，以便于放大目标图像；
通过所述稠密卷积神经网络待分类图像中的目标图像进行分类。
6.根据权利要求1所述的目标图像分类方法，其特征在于，所述分级网络包括接入1*1卷积层的残差网络。
7.根据权利要求1所述的目标图像分类方法，其特征在于，所述方法还包括：
根据预先设定的分级网络对交通行驶图像进行分割，得出目标图像的像素点；
根据所述目标图像的像素点占所述交通行驶图像的像素点的比例，确定出所述目标图像对应的类型；
获取与所述交通行驶图像的类型相应的分类网络，通过所述分类网络对交通行驶图像中的目标图像进行分类。
8.根据权利要求7所述的目标图像分类方法，其特征在于，所述目标图像包括红绿灯图像、限速标识图像以及道路指示图像。
9.一种目标图像分类装置，其特征在于，所述装置包括：
分割单元，用于根据预先设定的分级网络对待分类图像进行分割，得出目标图像的像素点；
确定单元，用于根据所述目标图像的像素点占所述待分类图像的像素点的比例，确定出所述目标图像对应的类型；
分类单元，获取与所述目标图像的类型相应的分类网络，通过所述分类网络对待分类图像中的目标图像进行分类。
10.一种目标图像分类介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010028016.9A CN111539962A (zh) | 2020-01-10 | 2020-01-10 | 一种目标图像分类方法、装置以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010028016.9A CN111539962A (zh) | 2020-01-10 | 2020-01-10 | 一种目标图像分类方法、装置以及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111539962A true CN111539962A (zh) | 2020-08-14 |
Family
ID=71974798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010028016.9A Pending CN111539962A (zh) | 2020-01-10 | 2020-01-10 | 一种目标图像分类方法、装置以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539962A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112115952A (zh) * | 2020-08-25 | 2020-12-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于全卷积神经网络的图像分类方法、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170169313A1 (en) * | 2015-12-14 | 2017-06-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and method based on deep learning and neural network learning |
| CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及系统 |
| CN109145939A (zh) * | 2018-07-02 | 2019-01-04 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
| CN109948616A (zh) * | 2019-03-26 | 2019-06-28 | 北京迈格威科技有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
| CN109961061A (zh) * | 2019-04-15 | 2019-07-02 | 艾物智联(北京)科技有限公司 | 一种边缘计算视频数据结构化方法及系统 |
| CN109978833A (zh) * | 2019-03-05 | 2019-07-05 | 上海扩博智能技术有限公司 | 图像质量自动检测方法、系统、设备及存储介质 |
| WO2019196542A1 (zh) * | 2018-04-10 | 2019-10-17 | 阿里巴巴集团控股有限公司 | 一种图像处理的方法及装置 |
| CN110503149A (zh) * | 2019-08-26 | 2019-11-26 | 咪咕文化科技有限公司 | 一种图像中局部特征分类方法及系统 |
| CN110533018A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种图像的分类方法及装置 |
| WO2019233266A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、计算机可读存储介质和电子设备 |
| CN111539961A (zh) * | 2019-12-13 | 2020-08-14 | 山东浪潮人工智能研究院有限公司 | 一种目标分割方法、装置以及设备 |
-
2020
- 2020-01-10 CN CN202010028016.9A patent/CN111539962A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170169313A1 (en) * | 2015-12-14 | 2017-06-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and method based on deep learning and neural network learning |
| WO2019196542A1 (zh) * | 2018-04-10 | 2019-10-17 | 阿里巴巴集团控股有限公司 | 一种图像处理的方法及装置 |
| CN108596115A (zh) * | 2018-04-27 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的车辆检测方法、装置及系统 |
| CN110533018A (zh) * | 2018-05-23 | 2019-12-03 | 北京国双科技有限公司 | 一种图像的分类方法及装置 |
| WO2019233266A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、计算机可读存储介质和电子设备 |
| CN109145939A (zh) * | 2018-07-02 | 2019-01-04 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
| CN109978833A (zh) * | 2019-03-05 | 2019-07-05 | 上海扩博智能技术有限公司 | 图像质量自动检测方法、系统、设备及存储介质 |
| CN109948616A (zh) * | 2019-03-26 | 2019-06-28 | 北京迈格威科技有限公司 | 图像检测方法、装置、电子设备及计算机可读存储介质 |
| CN109961061A (zh) * | 2019-04-15 | 2019-07-02 | 艾物智联(北京)科技有限公司 | 一种边缘计算视频数据结构化方法及系统 |
| CN110503149A (zh) * | 2019-08-26 | 2019-11-26 | 咪咕文化科技有限公司 | 一种图像中局部特征分类方法及系统 |
| CN111539961A (zh) * | 2019-12-13 | 2020-08-14 | 山东浪潮人工智能研究院有限公司 | 一种目标分割方法、装置以及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 王超;: "基于卷积神经网络的图像分类技术研究与实现", no. 35 * |
| 蔡烁;胡航滔;王威;: "基于深度卷积网络的高分遥感图像语义分割", no. 12 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112115952A (zh) * | 2020-08-25 | 2020-12-22 | 济南浪潮高新科技投资发展有限公司 | 一种基于全卷积神经网络的图像分类方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
| CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
| CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
| CN112766241A (zh) | 一种目标物识别方法以及装置 | |
| CN114440903A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
| CN111368902A (zh) | 一种数据标注的方法及装置 | |
| CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
| CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
| CN117197781A (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN111753662A (zh) | 一种交通事故处理方法、设备及介质 | |
| CN111523539A (zh) | 一种文字检测方法及装置 | |
| CN111652053A (zh) | 一种员工考勤方法、设备及介质 | |
| CN111539961A (zh) | 一种目标分割方法、装置以及设备 | |
| CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
| CN111899264A (zh) | 一种目标图像分割方法、设备及介质 | |
| CN113344198B (zh) | 一种模型训练的方法及装置 | |
| CN112949642B (zh) | 一种文字生成方法、装置、存储介质及电子设备 | |
| CN114926437A (zh) | 一种图像质量评价方法及装置 | |
| CN111753661B (zh) | 一种基于神经网路的目标识别方法、设备及介质 | |
| CN114187355A (zh) | 一种图像标定方法及装置 | |
| CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
| CN113673436A (zh) | 一种行为识别、模型训练的方法及装置 | |
| CN109325127B (zh) | 一种风险识别方法和装置 | |
| CN110866478A (zh) | 一种图像中对象的识别方法、装置和设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |