CN117392688A - 一种图像分类的方法、装置、存储介质以及电子设备 - Google Patents

一种图像分类的方法、装置、存储介质以及电子设备 Download PDF

Info

Publication number
CN117392688A
CN117392688A CN202311289458.9A CN202311289458A CN117392688A CN 117392688 A CN117392688 A CN 117392688A CN 202311289458 A CN202311289458 A CN 202311289458A CN 117392688 A CN117392688 A CN 117392688A
Authority
CN
China
Prior art keywords
image
information
text
identified
text information
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
Application number
CN202311289458.9A
Other languages
English (en)
Inventor
蔡瑜恒
赵智源
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202311289458.9A priority Critical patent/CN117392688A/zh
Publication of CN117392688A publication Critical patent/CN117392688A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种图像分类的方法、装置、存储介质及电子设备，用于隐私保护，可以获取待识别图像，对该待识别图像中包含的文本信息进行识别，得到识别结果，而后，根据该识别结果，确定待识别图像中包含的文本信息以及确定文本信息在待识别图像中的布局信息，待识别图像和文本信息输入到预先训练的分类模型中的第一特征提取层中，得到待识别图像的图像特征和文本信息的文本特征，以及将布局信息输入分类模型中的第二特征提取层中得到布局特征，通过分类模型中的特征融合层，将图像特征、文本特征以及布局特征进行融合，得到融合特征，并根据融合特征得到分类结果，根据分类结果，以对待识别图像进行图像分类，提高了图像分类的准确率。

Description

一种图像分类的方法、装置、存储介质以及电子设备
技术领域
本说明书涉及计算机技术领域，尤其涉及一种图像分类的方法、装置、存储介质以及电子设备。
背景技术
目前，在多种领域中均涉及对图像分类的任务，在图像分类中，可以通过人工智能技术，结合图像本身以及与该图像相关的文本，对图像进行分类。
例如，交易平台、社交平台等线上平台可以对用户上传的图像进行风险识别(如确定是否涉及个人的隐私数据泄露的风险)过程中，往往这种图像中包含一定的文字，而线上平台则可以结合图像以及图像中的文本，对图像进行风险识别；再例如，对图像中包含的目标物的图像进行分类时，可以结合图像以及图像中的文本进行目标物的分类。
在现有技术中，通常是将图像和从该图像中提取出的文本输入到分类模型中，以通过分类模型中针对图像的特征提取层，得到图像特征，以及通过分类模型中针对文本的特征提取层，得到文本特征，再通过图像特征和文本特征，对图像进行分类。
但是，现有的这种方式，往往分类模型在结合图像和文本进行图像分类时，无法很好的将图像和文本进行结合，进而使得无法更为准确地进行图像分类。
所以，如何提高图像分类的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种图像分类的方法、装置、存储介质及电子设备，以提高图像分类的准确性。
本说明书采用下述技术方案：
本说明书提供一种图像分类的方法，包括：
获取待识别图像；
对所述待识别图像中包含的文本信息进行识别，得到识别结果；
根据所述识别结果，确定所述待识别图像中包含的文本信息以及确定所述文本信息在所述待识别图像中的布局信息，所述布局信息用于表示所述文本信息在所述待识别图像中位于的图像区域在所述待识别图像中的布局情况；
将所述待识别图像和所述文本信息输入到预先训练的分类模型中的第一特征提取层中，得到所述待识别图像的图像特征和所述文本信息对应的文本特征，以及将所述布局信息输入到所述分类模型中的第二特征提取层中，得到布局特征；
通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，并根据所述融合特征，得到针对所述待识别图像的分类结果；
根据所述分类结果，以对待识别图像进行图像分类。
可选地，根据所述识别结果，确定所述文本信息在所述待识别图像中的布局信息，包括：
根据所述识别结果，确定所述文本信息在所述待识别图像中所在区域各顶点的坐标信息；
根据所述各顶点的坐标信息以及所述待识别图像的尺寸，确定所述文本信息在所述待识别图像中的相关信息，所述相关信息包括所述文本信息在所述待识别图像中的位置信息、所述文本信息在所述待识别图像中的大小信息、所述文本信息在所述待识别图像中的形状信息以及所述文本信息在所述待识别图像中的文本长度信息中的至少一种；
根据所述相关信息，确定所述布局信息。
可选地，通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，具体包括：
将所述图像特征、所述文本特征以及所述布局特征按照预设的先后排列顺序进行排序，得到特征序列，并将所述特征序列输入到所述特征融合层中，得到融合特征。
可选地，训练所述分类模型，包括：
获取样本图像以及所述样本图像对应的实际分类结果；
对所述样本图像中包含的文本信息进行识别，得到所述样本图像对应识别结果，并根据所述样本图像对应的识别结果，确定所述样本图像中包含的文本信息以及确定文本信息在所述样本图像中的布局信息；
将所述样本图像和所述样本图像中包含的文本信息输入到待训练的分类模型中的第一特征提取层中，得到所述样本图像的图像特征和所述样本图像中包含的文本信息的文本特征，以及将文本信息在所述样本图像中的布局信息输入到所述待训练的分类模型中的第二特征提取层中，得到布局特征；
通过所述分类模型中的特征融合层，将所述样本图像的图像特征、所述样本图像中包含的文本信息的文本特征以及文本信息在所述样本图像中的布局信息的布局特征进行融合，得到所述样本图像对应的融合特征，并根据所述样本图像对应的融合特征，得到针对所述样本图像的分类结果；
以最小化针对所述样本图像的分类结果与所述实际分类结果之间的差异为优化目标，对所述待训练的分类模型进行训练。
本说明书提供一种图像分类的装置，包括：
获取模块，用于获取待识别图像；
识别模块，用于对所述待识别图像中包含的文本信息进行识别，得到识别结果；
布局信息确定模块，用于根据所述识别结果，确定所述待识别图像中包含的文本信息以及确定所述文本信息在所述待识别图像中的布局信息，所述布局信息用于表示所述文本信息在所述待识别图像中位于的图像区域在所述待识别图像中的布局情况；
输入模块，用于将所述待识别图像和所述文本信息输入到预先训练的分类模型中的第一特征提取层中，得到所述待识别图像的图像特征和所述文本信息对应的文本特征，以及将所述布局信息输入到所述分类模型中的第二特征提取层中，得到布局特征；
融合模块，用于通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，并根据所述融合特征，得到针对所述待识别图像的分类结果；
分类模块，用于根据所述分类结果，以对待识别图像进行图像分类。
可选地，所述布局信息确定模块具体用于，根据所述识别结果，确定所述文本信息在所述待识别图像中所在区域各顶点的坐标信息；根据所述各顶点的坐标信息以及所述待识别图像的尺寸，确定所述文本信息在所述待识别图像中的相关信息，所述相关信息包括所述文本信息在所述待识别图像中的位置信息、所述文本信息在所述待识别图像中的大小信息、所述文本信息在所述待识别图像中的形状信息以及所述文本信息在所述待识别图像中的文本长度信息中的至少一种；根据所述相关信息，确定所述布局信息。
可选地，所述融合模块具体用于，将所述图像特征、所述文本特征以及所述布局特征按照预设的先后排列顺序进行排序，得到特征序列，并将所述特征序列输入到所述特征融合层中，得到融合特征。
可选地，所述装置还包括：
训练模块，用于获取样本图像以及所述样本图像对应的实际分类结果；对所述样本图像中包含的文本信息进行识别，得到所述样本图像对应识别结果，并根据所述样本图像对应的识别结果，确定所述样本图像中包含的文本信息以及确定文本信息在所述样本图像中的布局信息；将所述样本图像和所述样本图像中包含的文本信息输入到待训练的分类模型中的第一特征提取层中，得到所述样本图像的图像特征和所述样本图像中包含的文本信息的文本特征，以及将文本信息在所述样本图像中的布局信息输入到所述待训练的分类模型中的第二特征提取层中，得到布局特征；通过所述分类模型中的特征融合层，将所述样本图像的图像特征、所述样本图像中包含的文本信息的文本特征以及文本信息在所述样本图像中的布局信息的布局特征进行融合，得到所述样本图像对应的融合特征，并根据所述样本图像对应的融合特征，得到针对所述样本图像的分类结果；以最小化针对所述样本图像的分类结果与所述实际分类结果之间的差异为优化目标，对所述待训练的分类模型进行训练。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像分类的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图像分类的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书中提供的图像分类的方法中，可以获取待识别图像，对该待识别图像中包含的文本信息进行识别，得到识别结果，而后，根据该识别结果，确定待识别图像中包含的文本信息以及确定文本信息在待识别图像中的布局信息，待识别图像和文本信息输入到预先训练的分类模型中的第一特征提取层中，得到待识别图像的图像特征和文本信息的文本特征，以及将布局信息输入分类模型中的第二特征提取层中得到布局特征，通过分类模型中的特征融合层，将图像特征、文本特征以及布局特征进行融合，得到融合特征，并根据融合特征得到分类结果，根据分类结果，以对待识别图像进行图像分类。
从上述内容中可以看出，本说明书中提供的图像分类的方法可以通过OCR确定出图像中的文本，并通过图像中的文本所在的图像区域、图像大小等，确定出表示文本在图像中布局情况的布局信息，而后，在对图像进行分类时，模型将结合图像本身、图像中的文本和文本的布局信息三者共同对图像进行分类，这样一来，相比于现有技术中仅通过图像和文本进行分类的方式，模型能够更加参考文本在图像中的布局，从而能够使得模型尽量作为一类似人的视角来看待图像中的文本，隐式的得到文本与图像之间的联系，从而提高了图像分类的准确率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种图像分类的方法的流程示意图；
图2为本说明书提供的一种待识别图像中文本信息的布局信息的示意图；
图3为本说明书提供的一种图像分类的装置示意图；
图4为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种图像分类的方法的流程示意图，具体包括以下步骤：
S100：获取待识别图像。
S102：对所述待识别图像中包含的文本信息进行识别，得到识别结果。
S104：根据所述识别结果，确定所述待识别图像中包含的文本信息以及确定所述文本信息在所述待识别图像中的布局信息，所述布局信息用于表示所述文本信息在所述待识别图像中位于的图像区域在所述待识别图像中的布局情况。
在本说明书中，服务器需要结合图像以及与图像相关联的文本，对图像进行分类。
基于此，服务器可以获取待识别图像，并对该待识别图像中包含的文本信息进行识别，得到识别结果，该识别结果可以表示出待识别图像中包含的文本，以及待识别图像中包含的文本在待识别图像中的位置。
因此，可以根据该识别结果，确定出待识别图像中包含的文本信息以及确定文本信息在待识别图像中的布局信息。该布局信息用于表示文本信息在待识别图像中所位于的图像区域在待识别图像整个图像中的布局情况。
其中，该布局信息可以包括文本信息在待识别图像中的大小、位置、形状以及文本长度等信息。
因此，可以根据得到的识别结果，确定该文本信息在待识别图像中所在区域各顶点的坐标信息，而后，根据各顶点的坐标信息以及待识别图像的尺寸，确定该文本信息在所述待识别图像中的相关信息。
其中，这里提到的相关信息可以包括：该文本信息在该待识别图像中的位置信息、该文本信息在该待识别图像中的大小信息、该文本信息在该待识别图像中的形状信息以及该文本信息在该待识别图像中的文本长度信息等。
进而，可以根据上述相关信息，确定布局信息。
其中，布局信息的具体计算方式可以通过以下公式进行说明：
图2为本说明书提供的一种待识别图像中文本信息的布局信息的示意图。
从图2中可以看出，上述公式中可以为布局信息，x1、x2、y1、y2能够表示出文本信息所在图像区域在待识别图像中的位置，其中，在以待识别图像的左上顶点为原点的坐标系中，(x1，y1)能够表示该图像区域的左上顶点，(x2，y2)能够表示该图像区域的右下顶点，Δx＝x2-x1和Δy＝y2-y1分别为文本信息在待识别图像中所在图像区域的宽度和高度，w和h分别是待识别图像的宽度和高度，n为文本信息的文本长度，N为预设的文本最大长度值。
上述公式右边前四个元素表示位置信息，再后两个元素/>表示大小信息，/>表示形状信息，/>表示文本长度信息。
也就是说，文本信息所对应的位置信息可以包括：图像区域的左上顶点在上述坐标系中x轴的坐标与待识别图像的宽度之间的比例、图像区域的右上顶点在上述坐标系中x轴的坐标与待识别图像的宽度之间的比例，图像区域的左上顶点在上述坐标系中y轴的坐标与待识别图像的高度之间的比例，图像区域的左下顶点在上述坐标系中y轴的坐标与待识别图像的高度之间的比例。
大小信息可以包括：文本信息所在图像区域的宽度与待识别图像的宽度之间的比例，以及文本信息所在图像区域的高度与待识别图像的高度之间的比例。
形状信息可以通过文本信息所在图像区域的宽度与高度之间的比例得到，当然，为了在模型训练的过程中使得不同的图像统一，可以按照上述公式，将文本信息所在图像区域的宽度与高度之间的比例再除以待识别图像的宽度。文本长度信息可以通过文本信息的文本长度与预设的文本最大长度值之间的比例确定。
S106：将所述待识别图像和所述文本信息输入到预先训练的分类模型中的第一特征提取层中，得到所述待识别图像的图像特征和所述文本信息对应的文本特征，以及将所述布局信息输入到所述分类模型中的第二特征提取层中，得到布局特征。
S108：通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，并根据所述融合特征，得到针对所述待识别图像的分类结果。
S110：根据所述分类结果，以对待识别图像进行图像分类。
在确定出文本信息和文本信息对应的布局信息后，可以将待识别图像、文本信息以及布局信息输入到预先训练的分类模型中，以对该待识别图像进行分类。
其中，可以将待识别图像与文本信息输入到分类模型中的第一特征提取层中，得到该待识别图像的图像特征和文本信息对应的文本特征，并将布局信息输入到分类模型中的第二特征提取层中，得到布局特征，而后，可以将图像特征、文本特征以及布局特征输入到特征融合层中，得到融合特征，进而通过融合特征，得到针对该待识别图像的分类结果，以对待识别图像进行分类。特征融合层后可以接全连接层或其他的网络层，来进行对该待识别图像的分类。
上述第一特征提取层可以为clip网络，第二特征提取层可以为全连接层。
其中，第一特征提取层可以是预先通过对比学习的方式预训练得到的，即，可以获取到若干配对的图文对，作为正样本，得到若干不配对的图像，作为负样本，通过正样本和负样本第一特征提取层进行预训练。预训练的优化目标为使得正样本的图像特征和文本特征之间的差异最小化，最大化负样本的图像特征和文本特征之间的差异，
特征融合层可以为用于对序列进行特征提取的网络层，如Transformer。
需要说明的是，Transformer为一个适合输入序列特征的网络，并且其对位置信息不是特别敏感，因为可以设计好一个比较好的顺序将图像特征、文本特征以及布局特征输入到特征融合层中，以达到更好的分类效果。
具体的，可以将图像特征、文本特征以及布局特征按照预设的先后排列顺序进行排序，得到特征序列，并将所述特征序列输入到所述特征融合层中，得到融合特征，其中，预设的先后排列顺序可以为：按照文本特征、布局特征以及图像特征排列的先后顺序，该顺序是通过大量的实验得到的。
对上述分类模型的训练方式可以是有监督训练的方式，即，可以获取样本图像以及该样本图像对应的实际分类结果，对该样本图像中包含的文本信息进行识别，得到该样本图像对应的识别结果，并根据该样本图像对应的识别结果，确定该样本图像中包含的文本信息以及确定该样本图像中包含的文本信息在样本图像中的布局信息。
而后，可以将该样本图像和该样本图像中包含的文本信息输入到待训练的分类模型中的第一特征提取层中，得到该样本图像的图像特征和该样本图像中包含的文本信息的文本特征，以及将文本信息在该样本图像中的布局信息输入到待训练的分类模型中的第二特征提取层中，得到布局特征。
进而，可以通过分类模型中的特征融合层，将样本图像的图像特征、样本图像中包含的文本信息的文本特征以及该文本信息在该样本图像中的布局信息的布局特征进行融合，得到该样本图像对应的融合特征，并根据该样本图像对应的融合特征，得到针对该样本图像的分类结果；以最小化针对该样本图像的分类结果与上述实际分类结果之间的差异为优化目标，对＝待训练的分类模型进行训练。
需要说明的是，在此不对本说明书中图像分类的方法具体分类的场景进行限制，对图像分类的场景可以包括：对图像进行风险识别、结合图像中的文本对图像进行情感分类，对图像中的目标物进行目标物分类等。
从上述方法中可以看出，本说明书中图像分类的方法，可以确定出图像中的文本，并通过图像中的文本所在的图像区域、图像大小等，确定出表示文本在图像中布局情况的布局信息，而后，在对图像进行分类时，模型将结合图像本身、图像中的文本和文本的布局信息三者共同对图像进行分类，这样一来，相比于现有技术中仅通过图像和文本进行分类的方式，模型能够更加参考文本在图像中的布局，从而能够使得模型尽量作为类似人的视角来看待图像中的文本，隐式的得到文本与图像之间的联系，从而进行图像分类。
进一步地，之所以通过上述方式来进行图像分类，是因为现有的方式只是基于图像和文本进行图像分类，分类模型或许很难结合到图像与文本之间的联系，独立的看待两者。而本方法中使用了文本在图像中的布局信息，能够隐式的使得分类模型在分类时：在看待文本特征的时候结合文本在图像中的上下文情况，以及在看待图像特征的时候结合图像中文本的上下文情况，从而分类模型能够结合图像与文本之间位置上的联系来对图像进行分类，相比于现有技术提高了图像分类的准确性。
还需说明的是，在上述说明中对图像分类时输入的文本主要为图像中包含的文本，当然，在实际进行图像分类时，还可以将其他相关联的文本一并输入到分类模型中。
需要说明的是，为了便于描述，在上述内容中将执行本方法的执行主体作为服务器进行描述，本方法的执行主体可以是计算机、大型的服务平台等，在此不进行限定。
以上为本说明书的一个或多个实施例提供的图像分类的方法，基于同样的思路，本说明书还提供了图像分类的装置，如图3所示。
图3为本说明书提供的一种图像分类的装置示意图，具体包括：
获取模块301，用于获取待识别图像；
识别模块302，用于对所述待识别图像中包含的文本信息进行识别，得到识别结果；
布局信息确定模块303，用于根据所述识别结果，确定所述待识别图像中包含的文本信息以及确定所述文本信息在所述待识别图像中的布局信息，所述布局信息用于表示所述文本信息在所述待识别图像中位于的图像区域在所述待识别图像中的布局情况；
输入模块304，用于将所述待识别图像和所述文本信息输入到预先训练的分类模型中的第一特征提取层中，得到所述待识别图像的图像特征和所述文本信息对应的文本特征，以及将所述布局信息输入到所述分类模型中的第二特征提取层中，得到布局特征；
融合模块305，用于通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，并根据所述融合特征，得到针对所述待识别图像的分类结果；
分类模块306，用于根据所述分类结果，以对待识别图像进行图像分类。
可选地，所述布局信息确定模块303具体用于，根据所述识别结果，确定所述文本信息在所述待识别图像中所在区域各顶点的坐标信息；根据所述各顶点的坐标信息以及所述待识别图像的尺寸，确定所述文本信息在所述待识别图像中的相关信息，所述相关信息包括所述文本信息在所述待识别图像中的位置信息、所述文本信息在所述待识别图像中的大小信息、所述文本信息在所述待识别图像中的形状信息以及所述文本信息在所述待识别图像中的文本长度信息中的至少一种；根据所述相关信息，确定所述布局信息。
可选地，所述融合模块305具体用于，将所述图像特征、所述文本特征以及所述布局特征按照预设的先后排列顺序进行排序，得到特征序列，并将所述特征序列输入到所述特征融合层中，得到融合特征。
可选地，所述装置还包括：
训练模块307，用于获取样本图像以及所述样本图像对应的实际分类结果；对所述样本图像中包含的文本信息进行识别，得到所述样本图像对应识别结果，并根据所述样本图像对应的识别结果，确定所述样本图像中包含的文本信息以及确定文本信息在所述样本图像中的布局信息；将所述样本图像和所述样本图像中包含的文本信息输入到待训练的分类模型中的第一特征提取层中，得到所述样本图像的图像特征和所述样本图像中包含的文本信息的文本特征，以及将文本信息在所述样本图像中的布局信息输入到所述待训练的分类模型中的第二特征提取层中，得到布局特征；通过所述分类模型中的特征融合层，将所述样本图像的图像特征、所述样本图像中包含的文本信息的文本特征以及文本信息在所述样本图像中的布局信息的布局特征进行融合，得到所述样本图像对应的融合特征，并根据所述样本图像对应的融合特征，得到针对所述样本图像的分类结果；以最小化针对所述样本图像的分类结果与所述实际分类结果之间的差异为优化目标，对所述待训练的分类模型进行训练。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图像分类的方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图像分类的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
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，在实施本说明书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，磁带磁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。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书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，本说明书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。
本说明书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说明书，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节点来执行任务。在分布式计算环境中，程序模块可以位于包括存储节点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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种图像分类的方法，包括：
获取待识别图像；
对所述待识别图像中包含的文本信息进行识别，得到识别结果；
根据所述识别结果，确定所述待识别图像中包含的文本信息以及确定所述文本信息在所述待识别图像中的布局信息，所述布局信息用于表示所述文本信息在所述待识别图像中位于的图像区域在所述待识别图像中的布局情况；
将所述待识别图像和所述文本信息输入到预先训练的分类模型中的第一特征提取层中，得到所述待识别图像的图像特征和所述文本信息对应的文本特征，以及将所述布局信息输入到所述分类模型中的第二特征提取层中，得到布局特征；
通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，并根据所述融合特征，得到针对所述待识别图像的分类结果；
根据所述分类结果，以对待识别图像进行图像分类。
2.如权利要求1所述的方法，根据所述识别结果，确定所述文本信息在所述待识别图像中的布局信息，包括：
根据所述识别结果，确定所述文本信息在所述待识别图像中所在区域各顶点的坐标信息；
根据所述各顶点的坐标信息以及所述待识别图像的尺寸，确定所述文本信息在所述待识别图像中的相关信息，所述相关信息包括所述文本信息在所述待识别图像中的位置信息、所述文本信息在所述待识别图像中的大小信息、所述文本信息在所述待识别图像中的形状信息以及所述文本信息在所述待识别图像中的文本长度信息中的至少一种；
根据所述相关信息，确定所述布局信息。
3.如权利要求1所述的方法，通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，具体包括：
将所述图像特征、所述文本特征以及所述布局特征按照预设的先后排列顺序进行排序，得到特征序列，并将所述特征序列输入到所述特征融合层中，得到融合特征。
4.如权利要求1所述的方法，训练所述分类模型，包括：
获取样本图像以及所述样本图像对应的实际分类结果；
对所述样本图像中包含的文本信息进行识别，得到所述样本图像对应识别结果，并根据所述样本图像对应的识别结果，确定所述样本图像中包含的文本信息以及确定文本信息在所述样本图像中的布局信息；
将所述样本图像和所述样本图像中包含的文本信息输入到待训练的分类模型中的第一特征提取层中，得到所述样本图像的图像特征和所述样本图像中包含的文本信息的文本特征，以及将文本信息在所述样本图像中的布局信息输入到所述待训练的分类模型中的第二特征提取层中，得到布局特征；
通过所述分类模型中的特征融合层，将所述样本图像的图像特征、所述样本图像中包含的文本信息的文本特征以及文本信息在所述样本图像中的布局信息的布局特征进行融合，得到所述样本图像对应的融合特征，并根据所述样本图像对应的融合特征，得到针对所述样本图像的分类结果；
以最小化针对所述样本图像的分类结果与所述实际分类结果之间的差异为优化目标，对所述待训练的分类模型进行训练。
5.一种图像分类的装置，包括：
获取模块，用于获取待识别图像；
识别模块，用于对所述待识别图像中包含的文本信息进行识别，得到识别结果；
布局信息确定模块，用于根据所述识别结果，确定所述待识别图像中包含的文本信息以及确定所述文本信息在所述待识别图像中的布局信息，所述布局信息用于表示所述文本信息在所述待识别图像中位于的图像区域在所述待识别图像中的布局情况；
输入模块，用于将所述待识别图像和所述文本信息输入到预先训练的分类模型中的第一特征提取层中，得到所述待识别图像的图像特征和所述文本信息对应的文本特征，以及将所述布局信息输入到所述分类模型中的第二特征提取层中，得到布局特征；
融合模块，用于通过所述分类模型中的特征融合层，将所述图像特征、文本特征以及所述布局特征进行融合，得到融合特征，并根据所述融合特征，得到针对所述待识别图像的分类结果；
分类模块，用于根据所述分类结果，以对待识别图像进行图像分类。
6.如权利要求5所述的装置，所述布局信息确定模块具体用于，根据所述识别结果，确定所述文本信息在所述待识别图像中所在区域各顶点的坐标信息；根据所述各顶点的坐标信息以及所述待识别图像的尺寸，确定所述文本信息在所述待识别图像中的相关信息，所述相关信息包括所述文本信息在所述待识别图像中的位置信息、所述文本信息在所述待识别图像中的大小信息、所述文本信息在所述待识别图像中的形状信息以及所述文本信息在所述待识别图像中的文本长度信息中的至少一种；根据所述相关信息，确定所述布局信息。
7.如权利要求5所述的装置，所述融合模块具体用于，将所述图像特征、所述文本特征以及所述布局特征按照预设的先后排列顺序进行排序，得到特征序列，并将所述特征序列输入到所述特征融合层中，得到融合特征。
8.如权利要求5所述的装置，所述装置还包括：
训练模块，用于获取样本图像以及所述样本图像对应的实际分类结果；对所述样本图像中包含的文本信息进行识别，得到所述样本图像对应识别结果，并根据所述样本图像对应的识别结果，确定所述样本图像中包含的文本信息以及确定文本信息在所述样本图像中的布局信息；将所述样本图像和所述样本图像中包含的文本信息输入到待训练的分类模型中的第一特征提取层中，得到所述样本图像的图像特征和所述样本图像中包含的文本信息的文本特征，以及将文本信息在所述样本图像中的布局信息输入到所述待训练的分类模型中的第二特征提取层中，得到布局特征；通过所述分类模型中的特征融合层，将所述样本图像的图像特征、所述样本图像中包含的文本信息的文本特征以及文本信息在所述样本图像中的布局信息的布局特征进行融合，得到所述样本图像对应的融合特征，并根据所述样本图像对应的融合特征，得到针对所述样本图像的分类结果；以最小化针对所述样本图像的分类结果与所述实际分类结果之间的差异为优化目标，对所述待训练的分类模型进行训练。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～4任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～4任一项所述的方法。
CN202311289458.9A 2023-10-07 2023-10-07 一种图像分类的方法、装置、存储介质以及电子设备 Pending CN117392688A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311289458.9A CN117392688A (zh) 2023-10-07 2023-10-07 一种图像分类的方法、装置、存储介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311289458.9A CN117392688A (zh) 2023-10-07 2023-10-07 一种图像分类的方法、装置、存储介质以及电子设备

Publications (1)

Publication Number Publication Date
CN117392688A true CN117392688A (zh) 2024-01-12

Family

ID=89467556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311289458.9A Pending CN117392688A (zh) 2023-10-07 2023-10-07 一种图像分类的方法、装置、存储介质以及电子设备

Country Status (1)

Country Link
CN (1) CN117392688A (zh)

Similar Documents

Publication Publication Date Title
CN109034183B (zh) 一种目标检测方法、装置及设备
KR102316230B1 (ko) 이미지 처리 방법 및 장치
CN113887608B (zh) 一种模型训练的方法、图像检测的方法及装置
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN115600157B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN115618964B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116152933A (zh) 一种异常检测模型的训练方法、装置、设备及存储介质
CN116309823A (zh) 一种位姿的确定方法、装置、设备及存储介质
CN116049761A (zh) 数据处理方法、装置及设备
CN117197781B (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN116402113B (zh) 一种任务执行的方法、装置、存储介质及电子设备
CN116186330B (zh) 一种基于多模态学习的视频去重方法及装置
CN112861831A (zh) 一种目标物的识别方法、装置、存储介质及电子设备
CN117409466A (zh) 一种基于多标签控制的三维动态表情生成方法及装置
CN116824331A (zh) 一种模型训练、图像识别方法、装置、设备及存储介质
CN112734851B (zh) 一种位姿确定的方法以及装置
CN117392688A (zh) 一种图像分类的方法、装置、存储介质以及电子设备
CN114359935A (zh) 一种模型训练以及表格识别方法及装置
CN116188919B (zh) 一种测试方法、装置、可读存储介质及电子设备
CN116310406B (zh) 一种图像检测的方法、装置、存储介质及电子设备
CN117079274A (zh) 一种识别模型的训练方法、装置、存储介质及电子设备
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN117237744B (zh) 一种图像分类模型的训练方法、装置、介质及电子设备
CN116821193B (zh) 一种基于代理模型近似处理的推理查询优化方法及装置
CN116451808B (zh) 一种模型训练的方法、装置、存储介质及电子设备

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