扁平图像分类任务重组成树形图像分类任务的方法及系统

本技术涉及图像分类，尤其涉及一种扁平图像分类任务重组成树形图像分类任务的方法及系统。

背景技术：

1、随着深度学习和计算机视觉技术的迅猛发展，图像分类任务在许多领域得到了广泛应用。典型的图像分类任务需要通过神经网络模型对大量图片数据进行训练和分类，以实现对不同图像类别的准确识别和区分。

2、当一个数据集中，图片类型较多时，其内部不同类型图片分类的困难程度不同，会出现有些类型易于分类，有些类型难以分类的现象。现有的图像分类模型在进行训练之前并未考虑上述因素，通过将所有类型的图片采用扁平化的形式统一输入到神经网络中进行训练。上述方法虽然简单，但是会存在明显的缺点。

3、首先是会造成算力的浪费，为了得到较高的分类准确率，网络的特征提取能力和模型容量必须以分类难度较大的图像作为主要考虑因素，否则模型的分类准确率会比较低。但是待分类的数据中还有大量类型的图片的分类难度较小，如果使用分类难度较大的图像作为网络设计依据，意味着当处理分类难度较小的图像类别时，会出现特征提取能力和模型容量的浪费。其次，无法对分类的图片进行模块化处理，一旦神经网络模型训练结束，对于任务本身的任何改动都需要重新训练神经网络模型，极其浪费时间。

4、在一些具体环境感知场景中，为了快速整编环境和态势信息，有必要研究高效率的图像分类方法。同时，考虑到现场作业设备所能携带的计算设备算力有限，需要研究能够节约计算资源的图像分类方法。

技术实现思路

1、本技术提供了一种扁平图像分类任务重组成树形图像分类任务的方法及系统，以解决现有的图像分类模型通过将所有类型的图片采用扁平化的形式统一输入到神经网络中进行训练，会造成算力的浪费以及无法对分类的图片进行模块化处理的技术问题。

2、本技术第一方面提供了一种扁平图像分类任务重组成树形图像分类任务的方法，包括：

3、利用预训练的神经网络提取扁平图像数据集的特征矩阵；所述扁平图像数据集包括：若干个不同类别的图像；

4、基于所述特征矩阵计算得到余弦相似度矩阵和边界清晰度矩阵；所述余弦相似度矩阵表示所述特征矩阵中所有类别特征向量的两两相似度；所述边界清晰度矩阵表示所述特征矩阵中不同类别的特征向量在空间中的分离程度；

5、基于所述余弦相似度矩阵、边界清晰度矩阵，计算易区分性矩阵；

6、根据所述易区分性矩阵的易区分性预设值，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式。

7、在一些实施例中，所述基于所述特征矩阵计算得到余弦相似度矩阵包括：

8、基于所述特征矩阵，提取第一类图像的第一图像特征；所述第一类图像为所述扁平图像数据集中任意类别的图像；

9、基于所述第一图像特征，计算所述第一图像特征的平均值，得到第一类别中心；

10、基于所述特征矩阵，提取第二类图像的第二图像特征；所述第二类图像为所述扁平图像数据集中任意类别的图像；

11、基于所述第二图像特征，计算所述第二图像特征的平均值，得到第二类别中心；

12、根据所述扁平图像数据集中全部类别图像对应的所述第一类别中心、第二类别中心，利用余弦相似度公式，得到余弦相似度矩阵。

13、在一些实施例中，所述余弦相似度矩阵通过下述公式所确定：

14、；

15、式中， a k为第一类别中心； b k为第二类别中心； i+1代表余弦相似度矩阵的行数； j+1代表余弦相似度矩阵的列数；0≤ k≤ n-1。

16、在一些实施例中，所述基于所述特征矩阵计算得到边界清晰度矩阵包括：

17、基于所述特征矩阵，根据数据标签，得到第一数据特征和第二数据特征；所述第一数据特征和所述第二数据特征为所述扁平图像数据集中任意两个类别图像对应的数据特征；所述数据标签为所述扁平图像数据集中每种类别图像的分类文本；

18、利用所述第一数据特征和所述第二数据特征训练支持向量机模型，得到支持向量到决策边界的平均距离和支持向量数量；

19、基于所述支持向量到决策边界的平均距离和所述支持向量数量，得到边界清晰度矩阵。

20、在一些实施例中，所述边界清晰度矩阵通过下述公式所确定：

21、；

22、式中，svm_d为支持向量到决策边界的平均距离；svm_n为支持向量数量； i+1代表边界清晰度矩阵的行数； j+1代表边界清晰度矩阵的列数。

23、在一些实施例中，所述易区分性矩阵通过下述公式所确定：

24、；

25、式中， similarity_ matrix为余弦相似度矩阵； clarity_ matrix为边界清晰度矩阵。

26、在一些实施例中，所述根据所述易区分性矩阵的易区分性预设值，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式包括：

27、定义易区分性预设值；

28、基于所述易区分性矩阵，获取所述易区分性矩阵中的第一簇和第二簇；所述第一簇和所述第二簇之间相较于在所述易区分性矩阵内的其它簇距离最小；

29、判断所述第一簇和所述第二簇之间的距离是否小于或等于所述易区分性预设值，若是，则将所述第一簇和所述第二簇进行合并，生成中间簇；

30、根据所述中间簇和未合并的簇，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式。

31、在一些实施例中，所述根据所述中间簇和未合并的簇，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式包括：

32、计算所述中间簇之间的易区分性距离；

33、基于所述易区分性距离，更新所述易区分性矩阵，并重复执行所述判断所述第一簇和所述第二簇之间的距离是否小于或等于所述易区分性预设值的步骤，直至所述易区分性矩阵内的所述第一簇和所述第二簇的距离大于所述易区分性预设值，生成目标簇；

34、根据所述第一簇、第二簇、中间簇、目标簇、未合并的簇，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式。

35、在一些实施例中，所述中间簇之间的易区分性距离通过下述公式所确定：

36、；

37、式中， c ij为中间簇； c i为第一簇； c j为第二簇； k0表示当前未合并的其他簇；

38、；

39、。

40、本技术第二方面提供了一种扁平图像分类任务重组成树形图像分类任务的系统，包括：

41、提取模块，所述提取模块被配置为：利用预训练的神经网络提取扁平图像数据集的特征矩阵；所述扁平图像数据集包括：若干个不同类别的图像；

42、第一计算模块，所述第一计算模块被配置为：基于所述特征矩阵计算得到余弦相似度矩阵和边界清晰度矩阵；所述余弦相似度矩阵表示所述特征矩阵中所有类别特征向量的两两相似度；所述边界清晰度矩阵表示所述特征矩阵中不同类别的特征向量在空间中的分离程度；

43、第二计算模块，所述第二计算模块被配置为：基于所述余弦相似度矩阵、边界清晰度矩阵，计算易区分性矩阵；

44、重组模块，所述重组模块被配置为：根据所述易区分性矩阵的易区分性预设值，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式。

45、本技术提供一种扁平图像分类任务重组成树形图像分类任务的方法及系统，所述方法包括：利用预训练的神经网络提取扁平图像数据集的特征矩阵；基于所述特征矩阵计算得到余弦相似度矩阵和边界清晰度矩阵；所述余弦相似度矩阵表示所述特征矩阵中所有类别特征向量的两两相似度；所述边界清晰度矩阵表示所述特征矩阵中不同类别的特征向量在空间中的分离程度；基于所述余弦相似度矩阵、边界清晰度矩阵，计算易区分性矩阵；根据所述易区分性矩阵的易区分性预设值，将所述扁平图像数据集以扁平图像分类任务的形式重组为树形图像分类任务的形式，以实现通过树形图像分类任务能够降低任务复杂性、提高解决方案的准确性和可靠性、增强任务的可解释性、便于模块化处理和优化。