图像的特征分类方法、装置、电子设备及介质

本申请中涉及图像数据处理技术，尤其是一种图像的特征分类方法、装置、电子设备及介质。

背景技术：

1、人工智能算法在图像分类领域中，经常存在有分类结果不理想的问题。例如，传统的图像分类模型在遇到域偏移场景时(即训练图像与实际应用的待分类图像存在域分布差异，如针对同一对象的照片与素描图等)，会导致图像分类模型的性能大幅下降，进而导致分类结果不够准确。

技术实现思路

1、本申请实施例提供一种图像的特征分类方法、装置、电子设备及介质。从而解决相关技术中出现的，传统的图像分类模型在遇到域偏移场景时存在的分类性能大幅下降的问题。

2、其中，根据本申请实施例的一个方面，提供的一种图像的特征分类方法，包括：

3、获取待处理图像；

4、将所述待处理图像输入至图像分类模型中，并利用所述图像分类模型中的目标特征提取器提取所述待处理图像的图像特征，其中所述特征提取器为基于对多个不同源域的样本图像中的域间差异值进行域泛化训练而得到的特征提取器；

5、基于所述待处理图像的图像特征以及所述图像分类模型中的分类器，对所述待处理图像进行分类处理。

6、可选地，在基于本申请上述方法的另一个实施例中，在所述获取待处理图像之前，还包括：

7、获取针对同一对象的的多个源域的样本图像以及初始图像分类模型，所述初始图像分类模型中包括有初始特征提取器以及去噪模型；

8、利用所述初始特征提取器提取多个样本图像的初始特征，并对多个初始特征添加噪音数据，得到多个噪音特征；

9、利用所述去噪模型对所述多个噪音特征进行去噪处理，得到多个消噪特征；

10、基于至少一个噪音特征以及至少一个消噪特征，对所述初始特征提取器进行迭代训练，直至得到包含所述目标特征提取器的所述图像分类模型。

11、可选地，在基于本申请上述方法的另一个实施例中，所述基于至少一个噪音特征以及至少一个消噪特征，对所述初始特征提取器进行迭代训练，包括：

12、基于对应于第一源域的至少一个噪音特征，以及，基于对应于第二源域的至少一个消噪特征，对所述初始特征提取器进行迭代训练；

13、其中，所述第一源域与所述第二源域所属于不同的源域。

14、可选地，在基于本申请上述方法的另一个实施例中，所述基于至少一个噪音特征以及至少一个消噪特征，对所述初始特征提取器进行迭代训练，包括：

15、分别计算一个所述噪音特征与一个所述消噪特征之间的域间差异值，所述域间差异值为所述噪音特征与所述消噪特征之间的偏移距离值；

16、若域间差异值的数量为多个，将所述多个域间差异值的均值作为损失函数，对所述初始特征提取器进行迭代训练。

17、可选地，在基于本申请上述方法的另一个实施例中，通过下述公式得到所述损失函数：

18、

19、其中，所述为所述损失函数，所述t为噪音特征的标识，所述为所述噪音特征，所述为所述消噪特征。

20、可选地，在基于本申请上述方法的另一个实施例中，所述对多个初始特征添加噪音数据，得到多个噪音特征，包括：

21、对每个初始特征逐步添加高斯噪音数据，得到多个具有不同方差的噪音特征，其中一个高斯噪音数据的尺寸与对应的初始特征的尺寸相同。

22、其中，根据本申请实施例的又一个方面，提供的一种图像的特征分类装置，包括：

23、获取模块，被配置为获取待处理图像；

24、提取模块，被配置为将所述待处理图像输入至图像分类模型中，并利用所述图像分类模型中的目标特征提取器提取所述待处理图像的图像特征，其中所述特征提取器为基于对多个不同源域的样本图像中的域间差异值进行域泛化训练而得到的特征提取器；

25、分类模块，被配置为基于所述待处理图像的图像特征以及所述图像分类模型中的分类器，对所述待处理图像进行分类处理。

26、根据本申请实施例的又一个方面，提供的一种电子设备，包括：

27、存储器，用于存储可执行指令；以及

28、显示器，用于与所述存储器执行所述可执行指令从而完成上述任一所述图像的特征分类方法的操作。

29、根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述图像的特征分类方法的操作。

30、本申请中，获取待处理图像；将待处理图像输入至图像分类模型中，并利用图像分类模型中的目标特征提取器提取待处理图像的图像特征，其中特征提取器为基于对多个不同源域的样本图像中的域间差异值进行域泛化训练而得到的特征提取器；基于待处理图像的图像特征以及图像分类模型中的分类器，对待处理图像进行分类处理。通过应用本申请的技术方案，可以预先利用噪音添加以及噪音去除的方式来衡量不同域图像之间的域间差异值，并以该域间差异值对特征提取器进行域泛化训练从而得到一个具有更强鲁棒性的特征提取器的图像分类模型。进而避免出现相关技术中存在的，传统的图像分类模型在遇到域偏移场景时存在的分类性能大幅下降的问题。

31、下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

技术特征：

1.一种图像的特征分类方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，在所述获取待处理图像之前，还包括：

3.如权利要求2所述的方法，其特征在于，所述基于至少一个噪音特征以及至少一个消噪特征，对所述初始特征提取器进行迭代训练，包括：

4.如权利要求2或3所述的方法，其特征在于，所述基于至少一个噪音特征以及至少一个消噪特征，对所述初始特征提取器进行迭代训练，包括：

5.如权利要求4所述的方法，其特征在于，通过下述公式得到所述损失函数：

6.如权利要求2所述的方法，其特征在于，所述对多个初始特征添加噪音数据，得到多个噪音特征，包括：

7.一种图像的特征分类装置，其特征在于，包括：

8.一种电子设备，其特征在于，包括：

9.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1-6中任一所述图像的特征分类方法的操作。

技术总结
本申请公开了一种图像的特征分类方法、装置、电子设备及介质。通过应用本申请的技术方案，可以预先利用噪音添加以及噪音去除的方式来衡量不同域图像之间的域间差异值，并以该域间差异值对特征提取器进行域泛化训练从而得到一个具有更强鲁棒性的特征提取器的图像分类模型。进而避免出现相关技术中存在的，传统的图像分类模型在遇到域偏移场景时存在的分类性能大幅下降的问题。

技术研发人员：马占宇,童煜钧,罗悦恒,梁孔明
受保护的技术使用者：北京邮电大学
技术研发日：
技术公布日：2024/1/13