(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210425032.0 (22)申请日 2022.04.22 (71)申请人 武汉轻工大 学 地址 430000 湖北省武汉市汉口常青花园 学府南路68号 (72)发明人 李雅琴　朱亚林　袁操　胡婧　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 高川 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像分类方法、 装置、 设备及存 储介质 (57)摘要 本发明公开了一种图像分类方法、 装置、 设 备及存储介质， 属于图像分类技术领域。 本发明 通过获取待分类的图像数据； 通过全 卷积神经网 络模型对所述待分类的图像数据进行局部特征 提取， 得到待分类图像数据的多个局部特征； 对 所述待分类图像数据的多个局部特征进行相似 度度量， 得到多个度量结果； 对所述多个度量结 果进行融合， 得到融合结果； 根据所述融合结果 对所述待分类的图像数据进行分类， 使用待分类 图像的局部特征， 对待分类图像的多个局部特征 进行相似度度量， 通过对度量结果进行融合， 提 高图像分类的准确率。 权利要求书2页 说明书13页 附图6页 CN 114882238 A 2022.08.09 CN 114882238 A 1.一种图像分类方法， 其特 征在于， 所述图像分类方法包括： 获取待分类的图像数据； 通过全卷积神经网络模型对所述待分类的图像数据进行局部特征提取， 得到待分类图 像数据的多个局部特 征； 对所述待分类图像数据的多个局部特 征进行相似度 度量， 得到多个度量结果； 对所述多个度量结果进行融合， 得到融合结果； 根据所述融合结果对所述待分类的图像数据进行分类。 2.如权利要求1所述的图像分类方法， 其特征在于， 所述待分类的图像数据包括： 第一 图像数据和第二图像数据， 其中， 所述第一图像数据标记有类别标签， 所述第二图像数据未 标记类别标签； 所述通过全卷积神经网络模型对所述待分类的图像数据进行局部特征提取， 得到待分 类图像数据的多个局部特 征， 包括： 通过全卷积神经网络模型对所述第 一图像数据进行局部特征提取， 得到第 一图像数据 的第一局部特 征和第一图像数据的第二局部特 征； 通过全卷积神经网络模型对所述第 二图像数据进行局部特征提取， 得到第 二图像数据 的第三局部特征和第二图像数据的第四局部特征， 其中， 所述第一局部特征与所述第三局 部特征的尺度处于同一尺度， 所述第二局部特征与所述第四局部特征的尺度处于同一尺 度， 所述第一局部特 征与所述第二局部特 征的尺度不同。 3.如权利要求2所述的图像分类方法， 其特征在于， 所述通过全卷积神经网络模型对所 述第一图像数据进行局部特征提取， 得到第一图像数据的第一局部特征和 第一图像数据的 第二局部特 征， 包括： 获取所述第一图像数据的类别数量， 得到每 个类别的第一图像数据； 通过全卷积神经网络模型中卷积神经网络层对所述每个类别的第一图像数据进行不 同尺度的特征提取， 得到每个类别的第一图像数据的第一局部特征向量和每个类别的第一 图像数据的第二局部特 征向量； 通过所述第一图像数据的第一局部特征向量得到每个类别的第一图像数据的第一局 部特征； 根据所述第一图像数据的第二局部特征向量得到每个类别的第一图像数据的第二局 部特征。 4.如权利要求3所述的图像分类方法， 其特征在于， 所述通过全卷积神经网络模型对所 述第二图像数据进行局部特征提取， 得到第二图像数据的第三局部特征和 第二图像数据的 第四局部特 征， 包括： 通过所述卷积神经网络层对所述第 二图像数据进行不同尺度的特征提取， 得到第 二图 像数据的第三局部特 征向量和第二图像数据的第四局部特 征向量； 根据所述第二图像数据的第三局部特 征向量得到第二图像数据的第三局部特 征； 根据所述第二图像数据的所有第四局部特 征向量得到第二图像数据的第四局部特 征。 5.如权利要求4所述的图像分类方法， 其特征在于， 所述卷积神经网络层包括： 第一卷 积神经网络层和第二卷积神经网络层， 其中， 所述第一卷积神经网络层的层数与所述第二 卷积神经网络层的层数不同；权　利　要　求　书 1/2 页 2 CN 114882238 A 2所述通过所述卷积神经网络层对所述第 二图像数据进行不同尺度的特征提取， 得到第 二图像数据的第三局部特 征向量和第二图像数据的第四局部特 征向量， 包括： 获取所述第二图像数据的通道数值； 将所述第二图像数据输入至所述第 一卷积神经网络层进行第 一尺度的特征提取， 得到 长度为第一目标通道数值的第三局部特 征向量； 将所述第二图像数据输入至所述第 二卷积神经网络层进行第 二尺度的特征提取， 得到 长度为第二目标通道数值的第四局部特 征向量， 其中， 所述第一尺度与所述第二尺度不同。 6.如权利要求4所述的图像分类方法， 其特征在于， 所述多个度量结果包括第 一度量结 果和第二度量结果； 所述对所述待分类图像数据的多个局部特征进行相似度度量， 得到多个度量结果， 包 括： 计算所述第三局部特征向量与所述每个类别的第一图像数据的第一局部特征向量之 间的余弦距离， 得到所述第三局部特征向量与所述第一局部特征向量的余弦距离最近的多 个第一局部特征向量， 对所述余弦距离最近的多个第一局部特征向量求和， 得到第一度量 结果； 计算所述第四局部特征向量与所述每个类别的第一图像数据的第二局部特征向量之 间的余弦距离， 得到所述第四局部特征向量与所述第二局部特征向量的余弦距离最近的多 个第二局部特征向量， 对所述余弦距离最近的多个第二局部特征向量求和， 得到第二度量 结果。 7.如权利要求6所述的图像分类方法， 其特征在于， 所述对所述多个度量结果进行融 合， 得到融合结果， 包括： 通过分类函数对所述第 一度量结果和所述第 二度量结果进行归一化， 得到第 一归一化 结果和第二归一 化结果； 基于第一图像数据的类别数量通过一维空洞卷积对所述第一归一化结果和所述第二 归一化结果进行加权融合， 得到融合结果。 8.一种图像分类装置， 其特 征在于， 所述图像分类装置包括： 获取模块， 用于获取待分类的图像数据； 特征提取模块， 用于通过全卷积神经网络模型对所述待分类图像数据进行局部特征提 取， 得到待分类图像数据的多个局部特 征； 度量模块， 用于对所述待分类图像数据的多个局部特征进行相似度度量， 得到多个度 量结果； 融合模块， 用于对所述多个度量结果进行融合， 得到融合结果； 分类模块， 用于根据所述融合结果对所述待分类的图像数据进行分类。 9.一种图像分类设备， 其特征在于， 所述图像分类设备包括： 存储器、 处理器及存储在 所述存储器上并可在所述处理器上运行的图像分类程序， 所述图像分类程序配置为 实现如 权利要求1至7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， 所述存储介质上存储有图像分类程序， 所述图像分类 程序被处 理器执行时实现如权利要求1至7中任一项所述的图像分类方法。权　利　要　求　书 2/2 页 3 CN 114882238 A 3