CN113505863B - 基于级联均值向量综合评分的图片多级分类方法及系统 - Google Patents

基于级联均值向量综合评分的图片多级分类方法及系统 Download PDF

Info

Publication number
CN113505863B
CN113505863B CN202111048704.2A CN202111048704A CN113505863B CN 113505863 B CN113505863 B CN 113505863B CN 202111048704 A CN202111048704 A CN 202111048704A CN 113505863 B CN113505863 B CN 113505863B
Authority
CN
China
Prior art keywords
picture
classification
feature
classified
mean
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.)
Active
Application number
CN202111048704.2A
Other languages
English (en)
Other versions
CN113505863A (zh
Inventor
朱毅
雷振
陈胜鹏
李飞
李颖
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.)
Geospace Information Technology Co Ltd
Original Assignee
Wuda Geoinformatics 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 Wuda Geoinformatics Co ltd filed Critical Wuda Geoinformatics Co ltd
Priority to CN202111048704.2A priority Critical patent/CN113505863B/zh
Publication of CN113505863A publication Critical patent/CN113505863A/zh
Application granted granted Critical
Publication of CN113505863B publication Critical patent/CN113505863B/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
    • 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

Landscapes

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

Abstract

本发明涉及图像分类领域，提供一种基于级联均值向量综合评分的图片多级分类方法及系统，包括：通过样本图片集合构建样本图片特征向量集合，样本图片特征向量集合包括多个特征类别；计算样本图片特征向量集合中各特征类别的均值向量，获得均值向量集合；提取待分类图片的待分类图片特征向量；迭代计算待分类图片特征向量与均值向量集合中各特征类别的均值向量之间的欧式距离，获得欧式距离集合；通过欧式距离集合计算获得待分类图片的分类结果。本发明能提高多级分类准确度，有效解决包括未考虑类间亲疏性所造成的分类准确度低问题，样本分布不平衡造成分类准确度低的问题；有效解决样本仓库更新困难问题，极大地降低样本仓库更新成本。

Description

基于级联均值向量综合评分的图片多级分类方法及系统
技术领域
本发明涉及图像分类领域，尤其涉及一种基于级联均值向量综合评分的图片多级分类方法及系统。
背景技术
在基层社会治理工作开展过程中，网格员在进行巡查走访、基础数据采集、信息上报、矛盾纠纷排查调解等问题上报时，需要填写事件类型，事件类型常常表现为多级级联分类，且以三级分类最为常见。基层社会治理的事件类别多、分类细，以深圳南山区为例，事件可分为二十几个一级分类、五十几个二级分类和三百多个三级分类，这使得网格员难以快速地、准确地选定事件类型，而准确的事件分类是后续事件分拨、下派工作展开的重要保障。在网格员事件上报过程中，结合网格员拍摄的事件发生地的代表性照片，进行事件智能多级分类，是一种提高网格员事件上报效率、降低人工误差的新技术方案。除此以外，图片多级分类在新闻图片多级分类、植物花卉多级分类等多个领域均具备直接或间接的应用价值。
目前较为主流的图片多级分类方法主要分为“机器学习分类模型法”、“图片特征向量搜索法”两种。
对于“图片特征向量搜索法”，这种方法直接搜索与待分类图片的特征向量距离最近的特征向量，以此特征向量的多级分类标签作为待分类图片的多级分类结果，这种“直接分类方法”未考虑类间的亲疏性，分类结果易混淆。
对于“机器学习分类模型法”，无论采取何种分类模型，在构建训练样本集时，都要求样本分布均衡，分布不均衡的样本将影响分类模型准确度，分类结果将更偏向于训练样本数目更多的类别。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于，解决现有技术中，未考虑类间的亲疏性导致分类结果易混淆，以及分布不均衡的样本将影响分类模型准确度的技术问题。
为实现上述目的，本发明提供一种基于级联均值向量综合评分的图片多级分类方法，包括：
S1：获取样本图片集合，通过所述样本图片集合构建样本图片特征向量集合，所述 样本图片特征向量集合包括
Figure 248470DEST_PATH_IMAGE001
个特征类别
Figure 227928DEST_PATH_IMAGE002
；
S2：计算所述样本图片特征向量集合中各所述特征类别
Figure 7665DEST_PATH_IMAGE003
的均值向量，获得均 值向量集合
Figure 402874DEST_PATH_IMAGE004
；
S3：获取待分类图片，提取所述待分类图片的待分类图片特征向量
Figure 217246DEST_PATH_IMAGE005
；
S4：迭代计算所述待分类图片特征向量
Figure 102026DEST_PATH_IMAGE006
与所述均值向量集合
Figure 369059DEST_PATH_IMAGE007
中各所述特 征类别
Figure 567959DEST_PATH_IMAGE003
的均值向量之间的欧式距离，获得欧式距离集合
Figure 236838DEST_PATH_IMAGE008
；
S5：通过所述欧式距离集合
Figure 292519DEST_PATH_IMAGE009
计算获得所述待分类图片的分类结果。
优选地，步骤S1具体为：
S11：采集多张社区事件图片，将所述社区事件图片作为样本图片，获得所述样本图片集合；
S12：获取所述样本图片集合的特征类别
Figure 46848DEST_PATH_IMAGE003
；其中，i表示样本图片的级，0＜i≤ n，n表示级的总个数；ji表示样本图片在i级对应的类，0＜ji≤mi，mi表示在i级对应的类的 总个数；
S13：通过训练好的深度卷积神经网络，获取各所述特征类别
Figure 783860DEST_PATH_IMAGE003
对应的所有样 本图片的特征向量，经过归一化处理后获得所述样本图片特征向量集合。
优选地，步骤S2具体为：
S21：将某一特征类别
Figure 369562DEST_PATH_IMAGE003
对应的
Figure 799406DEST_PATH_IMAGE010
个样本图片特征向量的均值，作为该特征 类别
Figure 41032DEST_PATH_IMAGE003
的均值向量；
S22：重复步骤S21共
Figure 316155DEST_PATH_IMAGE011
次，计算获得所有特征类别对应的均值向量，将所有的 均值向量的集合作为所述均值向量集合
Figure 21943DEST_PATH_IMAGE007
。
优选地，步骤S4具体为：
所述均值向量集合
Figure 357110DEST_PATH_IMAGE007
共包括
Figure 86031DEST_PATH_IMAGE012
个所述均值向量，依次计算所述待分类图 片特征向量
Figure 164846DEST_PATH_IMAGE006
与各所述特征类别
Figure 725140DEST_PATH_IMAGE003
的均值向量之间的欧式距离，共获得
Figure 496787DEST_PATH_IMAGE012
个欧 式距离
Figure 447425DEST_PATH_IMAGE013
，将所有的欧式距离
Figure 329931DEST_PATH_IMAGE014
的集合作为所述欧式距离集合
Figure 744732DEST_PATH_IMAGE015
，其中特征类 别
Figure 687280DEST_PATH_IMAGE003
与
Figure 125214DEST_PATH_IMAGE014
的标号依次对应。
优选地，步骤S5具体为：
S51：通过所述欧式距离集合
Figure 545831DEST_PATH_IMAGE009
计算获得各所述特征类别
Figure 71929DEST_PATH_IMAGE016
对应的归一 化评分
Figure 185378DEST_PATH_IMAGE017
；
S52：通过各所述归一化评分
Figure 110609DEST_PATH_IMAGE018
，计算获得各所述特征类别
Figure 334917DEST_PATH_IMAGE003
在不同级之间 的级联评分
Figure 458731DEST_PATH_IMAGE019
S53：通过所述级联评分
Figure 743082DEST_PATH_IMAGE020
，计算特征类别
Figure 155608DEST_PATH_IMAGE021
至特征类别
Figure 183607DEST_PATH_IMAGE022
的级联分类综合 评分
Figure 427507DEST_PATH_IMAGE023
，计算公式如下：
Figure 617180DEST_PATH_IMAGE024
其中计算值最大的级联分类综合评分对应的分类结果，为所述待分类图片概率最大的分类结果。
优选地，步骤S51中，所述归一化评分
Figure 517003DEST_PATH_IMAGE018
的计算公式如下：
Figure 83113DEST_PATH_IMAGE025
其中，
Figure 447098DEST_PATH_IMAGE026
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 807673DEST_PATH_IMAGE027
的欧式 距离最小值，
Figure 194792DEST_PATH_IMAGE028
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 564593DEST_PATH_IMAGE027
的欧式距 离最大值。
优选地，步骤S52具体为：
S521：获取第a+1级前20%分类结果中第a级第b类对应的a+1级子分类的归一化评 分之和
Figure 517506DEST_PATH_IMAGE029
，获取第a+1级前20%分类结果中第a级第b类对应的a+1级子分类的数目
Figure 314560DEST_PATH_IMAGE030
；
S522：第a级第b类的级联评分
Figure 923396DEST_PATH_IMAGE031
的计算公式如下：
Figure 96889DEST_PATH_IMAGE032
其中，0＜a＜n；0＜b＜m；当a=n；b=m时，
Figure 169887DEST_PATH_IMAGE033
；
S523：重复步骤S521-S522共
Figure 137843DEST_PATH_IMAGE034
次，获得所有的级联评分
Figure 233975DEST_PATH_IMAGE035
。
一种基于级联均值向量综合评分的图片多级分类系统，包括：
特征类别获取模块，用于获取样本图片集合，通过所述样本图片集合构建样本图 片特征向量集合，所述样本图片特征向量集合包括
Figure 945579DEST_PATH_IMAGE034
个特征类别
Figure 873084DEST_PATH_IMAGE003
；
均值向量集合获取模块，用于计算所述样本图片特征向量集合中各所述特征类别
Figure 11941DEST_PATH_IMAGE016
的均值向量，获得均值向量集合
Figure 595369DEST_PATH_IMAGE007
；
特征向量提取模块，用于获取待分类图片，提取所述待分类图片的待分类图片特 征向量
Figure 845085DEST_PATH_IMAGE036
；
欧式距离计算模块，用于迭代计算所述待分类图片特征向量
Figure 892675DEST_PATH_IMAGE006
与所述均值向量 集合
Figure 202434DEST_PATH_IMAGE007
中各所述特征类别
Figure 273158DEST_PATH_IMAGE003
的均值向量之间的欧式距离，获得欧式距离集合
Figure 326565DEST_PATH_IMAGE037
；
分类结果获取模块，用于通过所述欧式距离集合
Figure 231591DEST_PATH_IMAGE038
计算获得所述待分类图 片的分类结果。
本发明具有以下有益效果：
1、提高多级分类准确度，有效解决包括未考虑类间亲疏性所造成的分类准确度低问题，样本分布不平衡造成分类准确度低的问题；
2、有效解决样本仓库更新困难问题，极大地降低样本仓库更新成本。
附图说明
图1为本发明实施例方法流程图；
图2为本发明实施例系统结构图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供一种基于级联均值向量综合评分的图片多级分类方法，包括：
S1：获取样本图片集合，通过所述样本图片集合构建样本图片特征向量集合，所述 样本图片特征向量集合包括
Figure 712251DEST_PATH_IMAGE034
个特征类别
Figure 4692DEST_PATH_IMAGE003
；
S2：计算所述样本图片特征向量集合中各所述特征类别
Figure 861790DEST_PATH_IMAGE003
的均值向量，获得均 值向量集合
Figure 618393DEST_PATH_IMAGE007
；
S3：获取待分类图片，提取所述待分类图片的待分类图片特征向量
Figure 269954DEST_PATH_IMAGE006
；
S4：迭代计算所述待分类图片特征向量
Figure 315271DEST_PATH_IMAGE006
与所述均值向量集合
Figure 710480DEST_PATH_IMAGE007
中各所述特 征类别
Figure 321590DEST_PATH_IMAGE003
的均值向量之间的欧式距离，获得欧式距离集合
Figure 409632DEST_PATH_IMAGE009
；
S5：通过所述欧式距离集合
Figure 676665DEST_PATH_IMAGE009
计算获得所述待分类图片的分类结果。
本实施例中，步骤S1具体为：
S11：采集多张社区事件图片，将所述社区事件图片作为样本图片，获得所述样本图片集合；共选取157398张社区事件图片；
S12：获取所述样本图片集合的特征类别
Figure 875565DEST_PATH_IMAGE003
；其中，i表示样本图片的级，0＜i≤ n，n表示级的总个数；ji表示样本图片在i级对应的类，0＜ji≤mi，mi表示在i级对应的类的 总个数；
具体实现中，例如将n设置为3，i=1时，0<ji≤19，表示样本图片在1级共有19类；i= 2时，0<ji≤63，表示样本图片在1级共有63类；i=3时，0<ji≤493，表示样本图片在3级共有 493类；样本图片特征向量集合包括575个特征类别，即
Figure 341181DEST_PATH_IMAGE012
=575；
S13：通过训练好的深度卷积神经网络，获取各所述特征类别
Figure 600124DEST_PATH_IMAGE003
对应的所有样 本图片的特征向量，经过归一化处理后获得所述样本图片特征向量集合；
样本图片特征向量集合的各级各类与分类名称及其级联关系示例如表1所示：
表1 社区事件三级各分类示例
Figure 354454DEST_PATH_IMAGE039
本实施例中，步骤S2具体为：
S21：将某一特征类别
Figure 91466DEST_PATH_IMAGE003
对应的
Figure 677168DEST_PATH_IMAGE040
个样本图片特征向量的均值，作为该特征 类别
Figure 107012DEST_PATH_IMAGE003
的均值向量；
S22：重复步骤S21共
Figure 83058DEST_PATH_IMAGE012
次，计算获得所有特征类别对应的均值向量，将所有 的均值向量的集合作为所述均值向量集合
Figure 623761DEST_PATH_IMAGE007
。
本实施例中，步骤S4具体为：
所述均值向量集合
Figure 329549DEST_PATH_IMAGE007
共包括
Figure 664715DEST_PATH_IMAGE012
个所述均值向量，依次计算所述待分类图 片特征向量
Figure 393637DEST_PATH_IMAGE006
与各所述特征类别
Figure 472451DEST_PATH_IMAGE003
的均值向量之间的欧式距离，共获得
Figure 32746DEST_PATH_IMAGE012
个欧 式距离
Figure 538813DEST_PATH_IMAGE014
，将所有的欧式距离
Figure 755031DEST_PATH_IMAGE014
的集合作为所述欧式距离集合
Figure 637537DEST_PATH_IMAGE015
，其中特征 类别
Figure 52337DEST_PATH_IMAGE003
与
Figure 994886DEST_PATH_IMAGE014
的标号依次对应；
欧式距离集合
Figure 432820DEST_PATH_IMAGE009
的实例如表2所示：
表2 欧式距离集合
Figure 853437DEST_PATH_IMAGE041
本实施例中，步骤S5具体为：
S51：通过所述欧式距离集合
Figure 391253DEST_PATH_IMAGE009
计算获得各所述特征类别
Figure 239124DEST_PATH_IMAGE016
对应的归一 化评分
Figure 164354DEST_PATH_IMAGE018
；
S52：通过各所述归一化评分
Figure 388662DEST_PATH_IMAGE018
，计算获得各所述特征类别
Figure 778055DEST_PATH_IMAGE003
在不同级之间 的级联评分
Figure 62406DEST_PATH_IMAGE042
S53：通过所述级联评分
Figure 474933DEST_PATH_IMAGE020
，计算特征类别
Figure 237353DEST_PATH_IMAGE043
至特征类别
Figure 481252DEST_PATH_IMAGE044
的级联分类综 合评分
Figure 936504DEST_PATH_IMAGE045
，计算公式如下：
Figure 836327DEST_PATH_IMAGE047
其中计算值最大的级联分类综合评分对应的分类结果，为所述待分类图片概率最大的分类结果。
本实施例中，步骤S51中，所述归一化评分
Figure 402438DEST_PATH_IMAGE048
的计算公式如下：
Figure 500844DEST_PATH_IMAGE050
其中，
Figure 126997DEST_PATH_IMAGE051
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 514116DEST_PATH_IMAGE036
的欧 式距离最小值，
Figure 618338DEST_PATH_IMAGE052
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 774513DEST_PATH_IMAGE027
的欧 式距离最大值；
具体实现中，归一化评分
Figure 633885DEST_PATH_IMAGE018
的计算结果如表3所示：
表3 归一化评分
Figure 242721DEST_PATH_IMAGE018
计算结果
Figure 416213DEST_PATH_IMAGE053
本实施例中，步骤S52具体为：
S521：获取第a+1级前20%分类结果中第a级第b类对应的a+1级子分类的归一化评 分之和
Figure 426894DEST_PATH_IMAGE054
，获取第a+1级前20%分类结果中第a级第b类对应的a+1级子分类的数目
Figure 457167DEST_PATH_IMAGE055
；
S522：第a级第b类的级联评分
Figure 553299DEST_PATH_IMAGE056
的计算公式如下：
Figure 999324DEST_PATH_IMAGE057
其中，0＜a＜n；0＜b＜m；当a=n；b=m时，
Figure 130091DEST_PATH_IMAGE058
；
S523：重复步骤S521-S522共
Figure 331265DEST_PATH_IMAGE034
次，获得所有的级联评分
Figure 914693DEST_PATH_IMAGE035
；
具体实现中，级联评分
Figure 164409DEST_PATH_IMAGE020
的计算结果如表4所示：
表4 级联评分
Figure 149683DEST_PATH_IMAGE059
计算结果
Figure 521758DEST_PATH_IMAGE060
本实施例中，步骤S53最终计算获得的级联分类综合评分
Figure 592482DEST_PATH_IMAGE061
对应的待分类 图片的分类结果如表5所示：
表5 待分类图片的分类结果
Figure 645889DEST_PATH_IMAGE062
参考图2，本发明提供一种基于级联均值向量综合评分的图片多级分类系统，包括：
特征类别获取模块10，用于获取样本图片集合，通过所述样本图片集合构建样本 图片特征向量集合，所述样本图片特征向量集合包括
Figure 485669DEST_PATH_IMAGE034
个特征类别
Figure 31576DEST_PATH_IMAGE003
；
均值向量集合获取模块20，用于计算所述样本图片特征向量集合中各所述特征类 别
Figure 324017DEST_PATH_IMAGE016
的均值向量，获得均值向量集合
Figure 181114DEST_PATH_IMAGE007
；
特征向量提取模块30，用于获取待分类图片，提取所述待分类图片的待分类图片 特征向量
Figure 875401DEST_PATH_IMAGE036
；
欧式距离计算模块40，用于迭代计算所述待分类图片特征向量
Figure 589279DEST_PATH_IMAGE006
与所述均值向 量集合
Figure 634595DEST_PATH_IMAGE007
中各所述特征类别
Figure 29804DEST_PATH_IMAGE003
的均值向量之间的欧式距离，获得欧式距离集合
Figure 578597DEST_PATH_IMAGE037
；
分类结果获取模块50，用于通过所述欧式距离集合
Figure 728956DEST_PATH_IMAGE009
计算获得所述待分类 图片的分类结果。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于级联均值向量综合评分的图片多级分类方法，其特征在于，包括：
S1：获取样本图片集合，通过所述样本图片集合构建样本图片特征向量集合，所述样本图片特征向量集合包括
Figure 275845DEST_PATH_IMAGE001
个特征类别
Figure 192985DEST_PATH_IMAGE002
；其中，i表示样本图片的级，0＜i≤n，n表示级的总个数；ji表示样本图片在i级对应的类，0＜ji≤mi，mi表示在i级对应的类的总个数；
S2：计算所述样本图片特征向量集合中各所述特征类别
Figure 35039DEST_PATH_IMAGE003
的均值向量，获得均值向量集合
Figure 430248DEST_PATH_IMAGE004
；
S3：获取待分类图片，提取所述待分类图片的待分类图片特征向量
Figure 244621DEST_PATH_IMAGE005
；
S4：迭代计算所述待分类图片特征向量
Figure 880133DEST_PATH_IMAGE006
与所述均值向量集合
Figure 147166DEST_PATH_IMAGE007
中各所述特征类别
Figure 408383DEST_PATH_IMAGE003
的均值向量之间的欧式距离，获得欧式距离集合
Figure 77262DEST_PATH_IMAGE008
；
S5：通过所述欧式距离集合
Figure 70625DEST_PATH_IMAGE009
计算获得所述待分类图片的分类结果；
步骤S5具体为：
S51：通过所述欧式距离集合
Figure 136539DEST_PATH_IMAGE009
计算获得各所述特征类别
Figure 873551DEST_PATH_IMAGE010
对应的归一化评分
Figure 459253DEST_PATH_IMAGE011
；
所述归一化评分
Figure 889098DEST_PATH_IMAGE012
的计算公式如下：
Figure 130723DEST_PATH_IMAGE013
其中，
Figure 218896DEST_PATH_IMAGE014
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 862367DEST_PATH_IMAGE015
的欧式距离最小值，
Figure 197533DEST_PATH_IMAGE016
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 988772DEST_PATH_IMAGE015
的欧式距离最大值；
S52：通过各所述归一化评分
Figure 67586DEST_PATH_IMAGE012
，计算获得各所述特征类别
Figure 880078DEST_PATH_IMAGE003
在不同级之间的级联评分
Figure 651725DEST_PATH_IMAGE017
；
S53：通过所述级联评分
Figure 602363DEST_PATH_IMAGE018
，计算特征类别
Figure 547185DEST_PATH_IMAGE019
至特征类别
Figure 899669DEST_PATH_IMAGE020
的级联分类综合评分
Figure 655267DEST_PATH_IMAGE021
，计算公式如下：
Figure 467103DEST_PATH_IMAGE022
其中计算值最大的级联分类综合评分对应的分类结果，为所述待分类图片概率最大的分类结果。
2.根据权利要求1所述的基于级联均值向量综合评分的图片多级分类方法，其特征在于，步骤S1具体为：
S11：采集多张社区事件图片，将所述社区事件图片作为样本图片，获得所述样本图片集合；
S12：获取所述样本图片集合的特征类别
Figure 887720DEST_PATH_IMAGE003
；
S13：通过训练好的深度卷积神经网络，获取各所述特征类别
Figure 422606DEST_PATH_IMAGE003
对应的所有样本图片的特征向量，经过归一化处理后获得所述样本图片特征向量集合。
3.根据权利要求1所述的基于级联均值向量综合评分的图片多级分类方法，其特征在于，步骤S2具体为：
S21：将某一特征类别
Figure 536056DEST_PATH_IMAGE003
对应的
Figure 461287DEST_PATH_IMAGE023
个样本图片特征向量的均值，作为该特征类别
Figure 498644DEST_PATH_IMAGE003
的均值向量；
S22：重复步骤S21共
Figure 560141DEST_PATH_IMAGE024
次，计算获得所有特征类别对应的均值向量，将所有的均值向量的集合作为所述均值向量集合
Figure 844492DEST_PATH_IMAGE007
。
4.根据权利要求1所述的基于级联均值向量综合评分的图片多级分类方法，其特征在于，步骤S4具体为：
所述均值向量集合
Figure 319335DEST_PATH_IMAGE007
共包括
Figure 347334DEST_PATH_IMAGE024
个所述均值向量，依次计算所述待分类图片特征向量
Figure 528917DEST_PATH_IMAGE025
与各所述特征类别
Figure 44823DEST_PATH_IMAGE003
的均值向量之间的欧式距离，共获得
Figure 944645DEST_PATH_IMAGE024
个欧式距离
Figure 510756DEST_PATH_IMAGE026
，将所有的欧式距离
Figure 874741DEST_PATH_IMAGE027
的集合作为所述欧式距离集合
Figure 235315DEST_PATH_IMAGE028
，其中特征类别
Figure 435484DEST_PATH_IMAGE003
与
Figure 805285DEST_PATH_IMAGE027
的标号依次对应。
5.根据权利要求1所述的基于级联均值向量综合评分的图片多级分类方法，其特征在于，步骤S52具体为：
S521：获取第a+1级前20%分类结果中第a级第b类对应的a+1级子分类的归一化评分之和
Figure 695881DEST_PATH_IMAGE029
，获取第a+1级前20%分类结果中第a级第b类对应的a+1级子分类的数目
Figure 555252DEST_PATH_IMAGE030
；
S522：第a级第b类的级联评分
Figure 164088DEST_PATH_IMAGE031
的计算公式如下：
Figure 337581DEST_PATH_IMAGE032
其中，0＜a＜n；0＜b＜m；当a=n；b=m时，
Figure 659846DEST_PATH_IMAGE033
；
S523：重复步骤S521-S522共
Figure 627802DEST_PATH_IMAGE034
次，获得所有的级联评分
Figure 786251DEST_PATH_IMAGE035
。
6.一种基于级联均值向量综合评分的图片多级分类系统，其特征在于，包括：
特征类别获取模块，用于获取样本图片集合，通过所述样本图片集合构建样本图片特征向量集合，所述样本图片特征向量集合包括
Figure 310905DEST_PATH_IMAGE036
个特征类别
Figure 176093DEST_PATH_IMAGE003
；
均值向量集合获取模块，用于计算所述样本图片特征向量集合中各所述特征类别
Figure 314950DEST_PATH_IMAGE010
的均值向量，获得均值向量集合
Figure 960695DEST_PATH_IMAGE007
；
特征向量提取模块，用于获取待分类图片，提取所述待分类图片的待分类图片特征向量
Figure 210411DEST_PATH_IMAGE037
；
欧式距离计算模块，用于迭代计算所述待分类图片特征向量
Figure 195684DEST_PATH_IMAGE006
与所述均值向量集合
Figure 819957DEST_PATH_IMAGE007
中各所述特征类别
Figure 890681DEST_PATH_IMAGE003
的均值向量之间的欧式距离，获得欧式距离集合
Figure 6405DEST_PATH_IMAGE038
；
分类结果获取模块，用于通过所述欧式距离集合
Figure 846185DEST_PATH_IMAGE039
计算获得所述待分类图片的分类结果；
具体为：
通过所述欧式距离集合
Figure 326845DEST_PATH_IMAGE039
计算获得各所述特征类别
Figure 432335DEST_PATH_IMAGE010
对应的归一化评分
Figure 289433DEST_PATH_IMAGE040
；
所述归一化评分
Figure 46036DEST_PATH_IMAGE041
的计算公式如下：
Figure 697597DEST_PATH_IMAGE043
其中，
Figure 54498DEST_PATH_IMAGE044
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 449707DEST_PATH_IMAGE015
的欧式距离最小值，
Figure 998500DEST_PATH_IMAGE045
表示第i级所有分类的均值向量与待分类图片特征向量
Figure 148859DEST_PATH_IMAGE015
的欧式距离最大值；
通过各所述归一化评分
Figure 415892DEST_PATH_IMAGE041
，计算获得各所述特征类别
Figure 427842DEST_PATH_IMAGE046
在不同级之间的级联评分
Figure 831141DEST_PATH_IMAGE047
；
通过所述级联评分
Figure 90084DEST_PATH_IMAGE018
，计算特征类别
Figure 906730DEST_PATH_IMAGE048
至特征类别
Figure 643742DEST_PATH_IMAGE049
的级联分类综合评分
Figure 481642DEST_PATH_IMAGE050
，计算公式如下：
Figure 911486DEST_PATH_IMAGE052
其中计算值最大的级联分类综合评分对应的分类结果，为所述待分类图片概率最大的分类结果。
CN202111048704.2A 2021-09-08 2021-09-08 基于级联均值向量综合评分的图片多级分类方法及系统 Active CN113505863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111048704.2A CN113505863B (zh) 2021-09-08 2021-09-08 基于级联均值向量综合评分的图片多级分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111048704.2A CN113505863B (zh) 2021-09-08 2021-09-08 基于级联均值向量综合评分的图片多级分类方法及系统

Publications (2)

Publication Number Publication Date
CN113505863A CN113505863A (zh) 2021-10-15
CN113505863B true CN113505863B (zh) 2021-12-03

Family

ID=78016435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111048704.2A Active CN113505863B (zh) 2021-09-08 2021-09-08 基于级联均值向量综合评分的图片多级分类方法及系统

Country Status (1)

Country Link
CN (1) CN113505863B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920373A (zh) * 2021-10-29 2022-01-11 平安银行股份有限公司 一种对象分类方法、装置、终端设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056086B (zh) * 2016-06-02 2019-05-17 江苏华通晟云科技有限公司 基于快速学习框架的车辆品牌型号识别方法
CN110136840B (zh) * 2019-05-17 2022-12-20 山东管理学院 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质
CN111126482B (zh) * 2019-12-23 2020-11-13 自然资源部国土卫星遥感应用中心 一种基于多分类器级联模型的遥感影像自动分类方法
CN112949740B (zh) * 2021-03-17 2022-11-25 重庆邮电大学 一种基于多级度量的小样本图像分类方法

Also Published As

Publication number Publication date
CN113505863A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN106845717B (zh) 一种基于多模型融合策略的能源效率评价方法
CN102411563B (zh) 一种识别目标词的方法、装置及系统
CN114021799A (zh) 风电场日前风电功率预测方法及系统
CN106095928A (zh) 一种事件类型识别方法及装置
Liang et al. Decision tree for dynamic and uncertain data streams
CN104820724B (zh) 文本类教育资源知识点预测模型获得方法及模型应用方法
CN107291895B (zh) 一种快速的层次化文档查询方法
CN107562938A (zh) 一种法院智能审判方法
CN113254643B (zh) 文本分类方法、装置、电子设备和
CN102902826A (zh) 一种基于基准图像索引的图像快速检索方法
CN114817575B (zh) 基于扩展模型的大规模电力事理图谱处理方法
CN113505863B (zh) 基于级联均值向量综合评分的图片多级分类方法及系统
CN106203508A (zh) 一种基于Hadoop平台的图像分类方法
CN109543038B (zh) 一种应用于文本数据的情感分析方法
CN109344233B (zh) 一种中文人名识别方法
CN114491081A (zh) 基于数据血缘关系图谱的电力数据溯源方法及系统
CN105337842A (zh) 一种与内容无关的垃圾邮件过滤方法
CN112687402A (zh) 基于人工智能的智慧医疗互联网大数据处理方法及智能云服务平台
CN115496948A (zh) 一种基于深度学习的网络监督细粒度图像识别方法和系统
CN108763289A (zh) 一种海量异构传感器格式数据的解析方法
CN109299456B (zh) 一种地名识别方法
CN103761433A (zh) 一种网络服务资源分类方法
CN113553419A (zh) 民航知识图谱问答系统
CN113836395A (zh) 一种基于异构信息网络的服务开发者按需推荐方法及系统
WO2020024448A1 (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 430000 Wuda science and Technology Park, Jiangxia Avenue, Miaoshan District, Donghu Development Zone, Wuhan City, Hubei Province

Patentee after: Geospace Information Technology Co., Ltd.

Address before: 430000 Wuda science and Technology Park, Jiangxia Avenue, Miaoshan District, Donghu Development Zone, Wuhan City, Hubei Province

Patentee before: WUDA GEOINFORMATICS Co.,Ltd.