CN114511744A - 图像分类方法、装置、可读介质和电子设备 - Google Patents

Abstract

本公开涉及一种图像分类方法、装置、可读介质和电子设备，该方法可以包括：获取待分类图像和待分类图像的多模态信息，多模态信息包括文本信息、时空信息和属性信息，根据待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果，其中，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。本公开通过图像分类模型在待分类图像的基础上，结合了多模态信息来进行图像分类，能够准确地完成细粒度图像分类任务，确保图像分类结果的准确性。

Description

图像分类方法、装置、可读介质和电子设备

技术领域

本公开涉及图像处理技术领域，具体地，涉及一种图像分类方法、装置、可读介质和电子设备。

背景技术

图像分类是根据图像信息反映的不同特征，对不同类别的图像进行划分的图像处理方法。而细粒度图像分类作为图像分类的一个重要研究方向，在各个领域都有着广泛的应用场景。细粒度图像分类目的是对属于同一类别的图像进行更加细致的子类划分，但是由于不同子类之间的类间差异较小，且单个子类内存在较大的类内差异，会使得细粒度图像分类的难度较大，导致很难准确地完成细粒度图像分类任务，进而影响图像分类结果的准确性。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种图像分类方法，所述方法包括：

获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；

根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；

其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

第二方面，本公开提供一种图像分类装置，所述装置包括：

获取模块，用于获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；

处理模块，用于根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；

其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

通过上述技术方案，本公开获取待分类图像和待分类图像的多模态信息，并根据待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果，其中，多模态信息包括文本信息、时空信息和属性信息，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。本公开通过图像分类模型在待分类图像的基础上，结合了多模态信息来进行图像分类，能够准确地完成细粒度图像分类任务，确保图像分类结果的准确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种图像分类方法的流程图；

图2是根据图1所示实施例示出的一种步骤102的流程图；

图3是根据一示例性实施例示出的一种图像分类模型的示意图；

图4是根据一示例性实施例示出的一种训练图像分类模型的流程图；

图5是根据一示例性实施例示出的一种图像分类装置的框图；

图6是根据图5所示实施例示出的一种处理模块的框图；

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据一示例性实施例示出的一种图像分类方法的流程图。如图1所示，该方法可以包括以下步骤：

步骤101，获取待分类图像和待分类图像的多模态信息，多模态信息包括文本信息、时空信息和属性信息。

示例地，细粒度图像分类主要任务就是对属于同一基础类别的图像进行更加细致的子类划分，例如识别汽车的款式、狗的品种、花的种类以及鸟的品种等。由于不同子类之间的类间差异较小，且单个子类内存在较大的类内差异，只通过图像的视觉信息不足以较好地完成细粒度图像分类任务，会影响图像分类结果的准确性。而在实际情况中，除了图像本身的视觉信息外，图像中含有的文本信息、图像的时空信息和图像的属性信息等不同模态的信息，都能在对不同子类进行细粒度识别的过程中发挥重要作用。因此，可以在图像本身的基础上，综合利用不同模态的多模态信息来进行细粒度图像分类。

具体地，首先可以获取待分类图像和待分类图像的多模态信息。多模态信息可以理解为多源的用于对待分类图像进行细粒度图像分类的辅助信息，其可以包括文本信息、时空信息和属性信息(此处只是举例说明，多模态信息还可以包括其他信息，例如音频信息)。例如，在待分类图像为终端通过图像采集装置获取到的图像时，可以利用OCR(英文：Optical Character Recognition，中文：光学字符识别)识别技术，提取该图像中的文字作为该图像的文本信息。同时可以将图像采集装置所处的位置坐标以及图像采集装置获取该图像的时间作为该图像的时空信息。并且，可以将该图像的像素、分辨率、大小、颜色、饱和度和亮度等属性数据作为该图像的属性信息。其中，该终端例如可以是是智能手机、平板电脑、智能手表、智能手环等移动终端，也可以是台式计算机等固定终端。该图像采集装置可以是照相机、图像传感器等能够采集图像的设备。

步骤102，根据待分类图像和多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果。

其中，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。

举例来说，可以预先训练一个利用多模态信息进行细粒度图像分类的图像分类模型，在获取到待分类图像和多模态信息之后，可以将待分类图像和多模态信息输入到训练好的图像分类模型中。由图像分类模型先对待分类图像进行编码，得到图像编码向量，同时可以将多模态信息通过向量表示后进行编码，得到多模态编码向量。然后图像分类模型可以对图像编码向量和多模态编码向量进行融合，得到能够包含待分类图像的图像特征以及多模态信息的多模态特征的目标分类向量(多模态特征可以包括文本特征、时空特征和属性特征)。最后图像分类模型可以根据得到的目标分类向量，确定图像分类结果。例如，在细粒度图像分类为对图像中的花进行分类的情况下，图像分类结果可以是花的种类，如“梅花”、“玫瑰”和“牡丹”等。

综上所述，本公开获取待分类图像和待分类图像的多模态信息，并根据待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果，其中，多模态信息包括文本信息、时空信息和属性信息，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。本公开通过图像分类模型在待分类图像的基础上，结合了多模态信息来进行图像分类，能够准确地完成细粒度图像分类任务，确保图像分类结果的准确性。

图2是根据图1所示实施例示出的一种步骤102的流程图。如图2所示，图像分类模型包括图像编码模块、多模态信息编码模块、信息融合模块和分类器。步骤102可以包括以下步骤：

步骤1021，通过图像编码模块对待分类图像进行编码，得到图像编码向量。

步骤1022，通过多模态信息编码模块获取多模态信息对应的多模态特征向量，并对多模态特征向量进行编码，得到多模态编码向量。

步骤1023，通过信息融合模块对图像编码向量和多模态编码向量进行融合，得到目标分类向量。

步骤1024，通过分类器根据目标分类向量，确定图像分类结果。

示例地，如图3所示，图像分类模型可以包括图像编码模块、多模态信息编码模块、信息融合模块和分类器。在获取到待分类图像和多模态信息之后，可以将待分类图像输入到图像编码模块中，得到图像编码模块输出的图像编码向量，并将图像编码向量发送至信息融合模块。其中，图像编码模块可以为卷积模块，此时图像编码向量可以是形状为M²*d的图像块向量，M²代表划分的图像块的数量。同时，可以将多模态信息输入到多模态信息编码模块中，得到多模态信息编码模块输出的多模态编码向量，并将多模态编码向量发送至信息融合模块。其中，多模态信息编码模块可以为多层感知机，此时多模态编码向量可以是形状为N*d的向量。然后，可以通过信息融合模块对图像编码向量、多模态编码向量和预设编码向量进行融合，得到融合向量，并根据融合向量，确定目标分类向量。其中，预设编码向量可以为随机初始化向量，信息融合模块可以为基于自注意力的编码器。

在一种场景中，预设编码向量可以包括第一预设编码向量和第二预设编码向量，融合向量可以包括第一融合向量和第二融合向量。步骤1023可以通过以下方式实现：

通过信息融合模块对图像编码向量进行降采样，得到第一图像编码向量，并对第一图像编码向量、多模态编码向量和第一预设编码向量进行融合，得到第一融合向量。

通过信息融合模块对第一图像编码向量进行降采样，得到第二图像编码向量，并对第二图像编码向量、多模态编码向量和第二预设编码向量进行融合，得到第二融合向量。

根据第一融合向量和第二融合向量，确定目标分类向量。

具体地，信息融合模块根据图像编码向量和多模态编码向量得到目标分类向量的过程可以分为两个阶段，在第一阶段，信息融合模块可以对图像编码向量进行降采样，得到第一图像编码向量，再通过第一预设编码向量(即一个随机初始化向量)融合第一图像编码向量、多模态编码向量(即融合待分类图像的图像信息和多模态信息)，得到第一融合向量。在第二阶段，信息融合模块可以对第一图像编码向量进行降采样，得到第二图像编码向量，并通过第二预设编码向量(即一个随机初始化向量)融合第二图像编码向量、多模态编码向量，得到第二融合向量。最后可以将第一融合向量和第二融合向量通过1D卷积进行融合，得到目标分类向量。

需要说明的是，上述两个阶段的不同之处在于输入的图像尺寸不同，例如在待分类图像的尺寸为384*384时，信息融合模块输入的图像尺寸可以为48*48，此时第一阶段输入的图像尺寸为48*48，经过第一次降采样后图像尺寸会变为原来的一半，即图像尺寸变为24*24。那么第二阶段输入的图像尺寸则为24*24，经过第二次降采样后图像尺寸也会变为原来的一半，即图像尺寸变为12*12。

图4是根据一示例性实施例示出的一种训练图像分类模型的流程图。如图4所示，图像分类模型是通过以下步骤训练得到：

步骤201，获取训练样本集。其中，训练样本集包括训练分类图像、训练分类图像的训练多模态信息以及训练分类图像对应的训练图像分类结果。

举例来说，首先可以根据所要进行细粒度图像分类的图像种类，获取大量该图像种类的图像以及这些图像的多模态信息。例如，在图像种类为鸟类的情况下，可以从网络上或数据库中搜集含有鸟类的图像，如含有“麻雀”、“鹦鹉”和“鸽子”等鸟类的图像。之后可以将获取到的每个图像作为一个训练分类图像，再将该图像的多模态信息作为该图像对应的训练多模态信息，并通过人工标注的方式对每个训练分类图像进行标注，得到每个训练分类图像对应的训练图像分类结果。然后可以利用全部训练分类图像、每个训练分类图像的训练多模态信息以及每个训练分类图像对应的训练图像分类结果构建一个训练样本集。

步骤202，根据训练样本集对预设模型进行训练，得到图像分类模型。

进一步地，在训练阶段，首先可以按照遮挡比例对训练多模态信息进行遮挡处理，得到处理后的训练样本集，再根据处理后的训练样本集对预设模型进行训练，得到待定模型，并按照预设比例步长(例如可以以5％作为一个预设比例步长)，降低遮挡比例，得到更新后的遮挡比例。然后重复上述步骤，直至遮挡比例小于预设比例阈值，并将待定模型作为图像分类模型。通过这样的方式，实际上是在训练开始时遮挡住部分或全部的训练多模态信息(例如在遮挡比例为100％时，则在训练开始时遮挡住全部的训练多模态信息，即只使用训练分类图像来进行模型训练)，之后会逐渐降低遮挡比例(即提高训练多模态信息的比例)来进行模型训练，从而得到最终的图像分类模型。这样训练的原因是图像信息的学习难度要高于多模态信息，并且图像信息仍然是用于细粒度图像分类的主要信息，采用这样的训练方式可以在使用图像分类模型时，即使多模态信息有缺失，图像分类模型仍可只根据图像信息进行细粒度图像分类。

在图像分类模型训练完成，可以根据实际需求使用图像分类模型。例如，可以只单独输入待分类图像，将多模态信息以全0的向量代替，仅依靠待分类图像进行图像分类结果的预测，也可以同时输入待分类图像和多模态信息，利用多模态信息进行图像分类结果的预测。

综上所述，本公开获取待分类图像和待分类图像的多模态信息，并根据待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果，其中，多模态信息包括文本信息、时空信息和属性信息，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。本公开通过图像分类模型在待分类图像的基础上，结合了多模态信息来进行图像分类，能够准确地完成细粒度图像分类任务，确保图像分类结果的准确性。

图5是根据一示例性实施例示出的一种图像分类装置的框图。如图5所示，该装置300包括：

获取模块301，用于获取待分类图像和待分类图像的多模态信息。其中，多模态信息包括文本信息、时空信息和属性信息。

处理模块302，用于根据待分类图像和多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果。

其中，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。

可选地，图像分类模型包括图像编码模块、多模态信息编码模块、信息融合模块和分类器。处理模块302用于：

通过图像编码模块对待分类图像进行编码，得到图像编码向量。

通过多模态信息编码模块获取多模态信息对应的多模态特征向量，并对多模态特征向量进行编码，得到多模态编码向量。

通过信息融合模块对图像编码向量和多模态编码向量进行融合，得到目标分类向量。

通过分类器根据目标分类向量，确定图像分类结果。

可选地，处理模块302用于：

通过信息融合模块对图像编码向量、多模态编码向量和预设编码向量进行融合，得到融合向量，并根据融合向量，确定目标分类向量。

可选地，处理模块302用于：

通过信息融合模块对图像编码向量进行降采样，得到第一图像编码向量，并对第一图像编码向量、多模态编码向量和第一预设编码向量进行融合，得到第一融合向量。

通过信息融合模块对第一图像编码向量进行降采样，得到第二图像编码向量，并对第二图像编码向量、多模态编码向量和第二预设编码向量进行融合，得到第二融合向量。

根据第一融合向量和第二融合向量，确定目标分类向量。

可选地，处理模块302用于通过以下方式训练得到所述图像分类模型：

获取训练样本集。其中，训练样本集包括训练分类图像、训练分类图像的训练多模态信息以及训练分类图像对应的训练图像分类结果。

根据训练样本集对预设模型进行训练，得到图像分类模型。

图6是根据图5所示实施例示出的一种处理模块的框图。如图6所示，处理模块302包括：

遮挡子模块3021，用于按照遮挡比例对训练多模态信息进行遮挡处理，得到处理后的训练样本集。

训练子模块3022，用于根据处理后的训练样本集对预设模型进行训练，得到待定模型。

遮挡子模块3023，还用于按照预设比例步长，降低遮挡比例，得到更新后的遮挡比例。

重复执行按照遮挡比例对训练多模态信息进行遮挡处理，得到处理后的训练样本集至按照预设比例步长，降低遮挡比例，得到更新后的遮挡比例的步骤，直至遮挡比例小于预设比例阈值，并将待定模型作为图像分类模型。

综上所述，本公开获取待分类图像和待分类图像的多模态信息，并根据待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定待分类图像的图像分类结果，其中，多模态信息包括文本信息、时空信息和属性信息，图像分类模型用于获取待分类图像对应的图像编码向量和多模态信息对应的多模态编码向量，并对图像编码向量和多模态编码向量进行融合，得到目标分类向量，并根据目标分类向量，确定图像分类结果。本公开通过图像分类模型在待分类图像的基础上，结合了多模态信息来进行图像分类，能够准确地完成细粒度图像分类任务，确保图像分类结果的准确性。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、程序段、或代码的一部分包含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，两个接连地表示的方框实际上可以基本并行地执行，它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。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待分类图像和多模态信息的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种图像分类方法，所述方法包括：获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述图像分类模型包括图像编码模块、多模态信息编码模块、信息融合模块和分类器；所述根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果，包括：通过所述图像编码模块对所述待分类图像进行编码，得到所述图像编码向量；通过所述多模态信息编码模块获取所述多模态信息对应的多模态特征向量，并对所述多模态特征向量进行编码，得到所述多模态编码向量；通过所述信息融合模块对所述图像编码向量和所述多模态编码向量进行融合，得到所述目标分类向量；通过所述分类器根据所述目标分类向量，确定所述图像分类结果。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述通过所述信息融合模块对所述图像编码向量和所述多模态编码向量进行融合，得到所述目标分类向量，包括：通过所述信息融合模块对所述图像编码向量、所述多模态编码向量和预设编码向量进行融合，得到融合向量，并根据所述融合向量，确定所述目标分类向量。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述预设编码向量包括第一预设编码向量和第二预设编码向量，所述融合向量包括第一融合向量和第二融合向量；所述通过所述信息融合模块对所述图像编码向量、所述多模态编码向量和预设编码向量进行融合，得到融合向量，并根据所述融合向量，确定所述目标分类向量，包括：通过所述信息融合模块对所述图像编码向量进行降采样，得到第一图像编码向量，并对所述第一图像编码向量、所述多模态编码向量和所述第一预设编码向量进行融合，得到所述第一融合向量；通过所述信息融合模块对所述第一图像编码向量进行降采样，得到第二图像编码向量，并对所述第二图像编码向量、所述多模态编码向量和所述第二预设编码向量进行融合，得到所述第二融合向量；根据所述第一融合向量和所述第二融合向量，确定所述目标分类向量。

根据本公开的一个或多个实施例，示例5提供了示例1-4中任一项所述的方法，所述图像分类模型是通过以下方式训练得到的：获取训练样本集；所述训练样本集包括训练分类图像、所述训练分类图像的训练多模态信息以及所述训练分类图像对应的训练图像分类结果；根据所述训练样本集对预设模型进行训练，得到所述图像分类模型。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据所述训练样本集对预设模型进行训练，得到所述图像分类模型，包括：按照遮挡比例对所述训练多模态信息进行遮挡处理，得到处理后的训练样本集；根据所述处理后的训练样本集对所述预设模型进行训练，得到待定模型；按照预设比例步长，降低所述遮挡比例，得到更新后的遮挡比例；重复执行所述按照遮挡比例对所述训练多模态信息进行遮挡处理，得到处理后的训练样本集至所述按照预设比例步长，降低所述遮挡比例，得到更新后的遮挡比例的步骤，直至所述遮挡比例小于预设比例阈值，并将所述待定模型作为所述图像分类模型。

根据本公开的一个或多个实施例，示例7提供了一种图像分类装置，所述装置包括：获取模块，用于获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；处理模块，用于根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

根据本公开的一个或多个实施例，示例8提供了示例7的装置，所述图像分类模型包括图像编码模块、多模态信息编码模块、信息融合模块和分类器；所述处理模块用于：通过所述图像编码模块对所述待分类图像进行编码，得到所述图像编码向量；通过所述多模态信息编码模块获取所述多模态信息对应的多模态特征向量，并对所述多模态特征向量进行编码，得到所述多模态编码向量；通过所述信息融合模块对所述图像编码向量和所述多模态编码向量进行融合，得到所述目标分类向量；通过所述分类器根据所述目标分类向量，确定所述图像分类结果。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例6中所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例6中所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。

Claims (10)

1.一种图像分类方法，其特征在于，所述方法包括：

获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；

根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；

其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

2.根据权利要求1所述的方法，其特征在于，所述图像分类模型包括图像编码模块、多模态信息编码模块、信息融合模块和分类器；所述根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果，包括：

通过所述图像编码模块对所述待分类图像进行编码，得到所述图像编码向量；

通过所述多模态信息编码模块获取所述多模态信息对应的多模态特征向量，并对所述多模态特征向量进行编码，得到所述多模态编码向量；

通过所述信息融合模块对所述图像编码向量和所述多模态编码向量进行融合，得到所述目标分类向量；

通过所述分类器根据所述目标分类向量，确定所述图像分类结果。

3.根据权利要求2所述的方法，其特征在于，所述通过所述信息融合模块对所述图像编码向量和所述多模态编码向量进行融合，得到所述目标分类向量，包括：

通过所述信息融合模块对所述图像编码向量、所述多模态编码向量和预设编码向量进行融合，得到融合向量，并根据所述融合向量，确定所述目标分类向量。

4.根据权利要求3所述的方法，其特征在于，所述预设编码向量包括第一预设编码向量和第二预设编码向量，所述融合向量包括第一融合向量和第二融合向量；所述通过所述信息融合模块对所述图像编码向量、所述多模态编码向量和预设编码向量进行融合，得到融合向量，并根据所述融合向量，确定所述目标分类向量，包括：

通过所述信息融合模块对所述图像编码向量进行降采样，得到第一图像编码向量，并对所述第一图像编码向量、所述多模态编码向量和所述第一预设编码向量进行融合，得到所述第一融合向量；

通过所述信息融合模块对所述第一图像编码向量进行降采样，得到第二图像编码向量，并对所述第二图像编码向量、所述多模态编码向量和所述第二预设编码向量进行融合，得到所述第二融合向量；

根据所述第一融合向量和所述第二融合向量，确定所述目标分类向量。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述图像分类模型是通过以下方式训练得到的：

获取训练样本集；所述训练样本集包括训练分类图像、所述训练分类图像的训练多模态信息以及所述训练分类图像对应的训练图像分类结果；

根据所述训练样本集对预设模型进行训练，得到所述图像分类模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述训练样本集对预设模型进行训练，得到所述图像分类模型，包括：

按照遮挡比例对所述训练多模态信息进行遮挡处理，得到处理后的训练样本集；

根据所述处理后的训练样本集对所述预设模型进行训练，得到待定模型；

按照预设比例步长，降低所述遮挡比例，得到更新后的遮挡比例；

重复执行所述按照遮挡比例对所述训练多模态信息进行遮挡处理，得到处理后的训练样本集至所述按照预设比例步长，降低所述遮挡比例，得到更新后的遮挡比例的步骤，直至所述遮挡比例小于预设比例阈值，并将所述待定模型作为所述图像分类模型。

7.一种图像分类装置，其特征在于，所述装置包括：

获取模块，用于获取待分类图像和所述待分类图像的多模态信息；所述多模态信息包括文本信息、时空信息和属性信息；

处理模块，用于根据所述待分类图像和所述多模态信息，通过预先训练好的图像分类模型，确定所述待分类图像的图像分类结果；

其中，所述图像分类模型用于获取所述待分类图像对应的图像编码向量和所述多模态信息对应的多模态编码向量，并对所述图像编码向量和所述多模态编码向量进行融合，得到目标分类向量，并根据所述目标分类向量，确定所述图像分类结果。

8.根据权利要求7所述的装置，其特征在于，所述图像分类模型包括图像编码模块、多模态信息编码模块、信息融合模块和分类器；所述处理模块用于：

通过所述图像编码模块对所述待分类图像进行编码，得到所述图像编码向量；

通过所述多模态信息编码模块获取所述多模态信息对应的多模态特征向量，并对所述多模态特征向量进行编码，得到所述多模态编码向量；

通过所述信息融合模块对所述图像编码向量和所述多模态编码向量进行融合，得到所述目标分类向量；

通过所述分类器根据所述目标分类向量，确定所述图像分类结果。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。

Images