本技術(shù)涉及圖像分類，尤其涉及一種圖像分類方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、圖像分類技術(shù)是一種關(guān)鍵的計(jì)算機(jī)視覺(jué)任務(wù)，通過(guò)分析和識(shí)別圖像中的內(nèi)容，將圖像分配到預(yù)定義的類別中?，F(xiàn)有的圖像分類技術(shù)主要依賴于深度學(xué)習(xí)模型，尤其是卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork，cnn)，這些模型通過(guò)從大量標(biāo)注圖像中學(xué)習(xí)特征，能夠?qū)崿F(xiàn)對(duì)圖像的高效和準(zhǔn)確分類。

2、現(xiàn)有的通過(guò)分類模型對(duì)圖像進(jìn)行分類的方法中，為了獲得精確的分類結(jié)果需要參數(shù)和復(fù)雜的結(jié)構(gòu)，因此需要高性能的中央處理器(central?processing?unit，cpu)或圖形處理單元(graphics?processing?unit，gpu)進(jìn)行訓(xùn)練和推理并且需要占用大量的內(nèi)存空間來(lái)存儲(chǔ)模型參數(shù)和中間計(jì)算結(jié)果，在面對(duì)資源受限的環(huán)境時(shí)，得到的分類模型準(zhǔn)確率不足。

3、上述內(nèi)容僅用于輔助理解本技術(shù)的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種圖像分類方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，旨在解決現(xiàn)有技術(shù)在面對(duì)資源受限的環(huán)境時(shí)得到的分類模型準(zhǔn)確率不足導(dǎo)致獲得的待分類圖像的圖像類別不夠準(zhǔn)確的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本技術(shù)提出一種圖像分類方法，所述方法包括：

3、獲取待分類圖像，并將所述待分類圖像輸入至預(yù)設(shè)圖像分類模型進(jìn)行分類，所述預(yù)設(shè)圖像分類模型為通過(guò)基于第一類激活圖以及第二類激活圖獲得的第一蒸餾損失值對(duì)初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練獲得的模型，所述第一類激活圖通過(guò)第一教師網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得，所述第二類激活圖通過(guò)所述初始學(xué)生網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得；

4、基于分類結(jié)果獲得所述待分類圖像對(duì)應(yīng)的圖像類別。

5、在一實(shí)施例中，所述獲取待分類圖像的步驟之前，還包括：

6、獲取樣本圖像，將所述樣本圖像輸入至第一教師網(wǎng)絡(luò)模型獲得第一類激活圖，并將所述樣本圖像輸入至初始學(xué)生網(wǎng)絡(luò)模型獲得第二類激活圖；

7、基于所述第一類激活圖與所述第二類激活圖獲得第一蒸餾損失值，并通過(guò)所述第一蒸餾損失值對(duì)所述初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練，獲得預(yù)設(shè)圖像分類模型。

8、在一實(shí)施例中，所述將所述樣本圖像輸入至第一教師網(wǎng)絡(luò)模型獲得第一類激活圖，將所述樣本圖像輸入至初始學(xué)生網(wǎng)絡(luò)模型獲得第二類激活圖的步驟，包括：

9、將所述樣本圖像輸入至第一教師網(wǎng)絡(luò)模型獲得第一特征向量，將所述樣本圖像輸入至初始學(xué)生網(wǎng)絡(luò)模型獲得第二特征向量；

10、確定所述第一特征向量的第一梯度值，并基于所述第一梯度值以及所述第一特征向量獲得第一類激活圖；

11、確定所述第二特征向量的第二梯度值，并基于所述第二梯度值以及所述第二特征向量獲得第二類激活圖。

12、在一實(shí)施例中，所述基于所述第一類激活圖與所述第二類激活圖獲得第一蒸餾損失值的步驟，包括：

13、獲取所述第一類激活圖對(duì)應(yīng)的第一批次值、第一向量高度以及第一向量寬度；

14、獲取所述第二類激活圖對(duì)應(yīng)的第二批次值、第二向量高度以及第二向量寬度；

15、基于所述第一批次值、所述第一向量高度、所述第一向量寬度、所述第二批次值、所述第二向量高度以及所述第二向量寬度獲得第一蒸餾損失值。

16、在一實(shí)施例中，所述通過(guò)所述第一蒸餾損失值對(duì)所述初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練，獲得預(yù)設(shè)圖像分類模型的步驟，包括：

17、獲取所述樣本圖像對(duì)應(yīng)的樣本標(biāo)簽，并將所述樣本圖像輸入至所述初始學(xué)生網(wǎng)絡(luò)模型獲得第一軟標(biāo)簽；

18、基于所述樣本標(biāo)簽以及所述第一軟標(biāo)簽獲得交叉熵?fù)p失值，并通過(guò)所述第一蒸餾損失值以及所述交叉熵?fù)p失值對(duì)所述初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練，獲得預(yù)設(shè)圖像分類模型。

19、在一實(shí)施例中，所述通過(guò)所述第一蒸餾損失值以及所述交叉熵?fù)p失值對(duì)所述初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練，獲得預(yù)設(shè)圖像分類模型的步驟，包括：

20、將所述樣本圖像輸入至第二教師網(wǎng)絡(luò)模型獲得第二軟標(biāo)簽；

21、基于所述第一軟標(biāo)簽以及所述第二軟標(biāo)簽獲得第二蒸餾損失值，并通過(guò)所述第一蒸餾損失值、所述交叉熵?fù)p失值以及所述第二蒸餾損失值對(duì)所述初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練，獲得預(yù)設(shè)圖像分類模型。

22、在一實(shí)施例中，所述基于所述第一軟標(biāo)簽以及所述第二軟標(biāo)簽獲得第二蒸餾損失值的步驟，包括：

23、獲取所述第一軟標(biāo)簽對(duì)應(yīng)的第一類別數(shù)以及第三批次值，并獲取所述第二軟標(biāo)簽對(duì)應(yīng)的第二類別數(shù)以及第四批次值；

24、基于所述第一軟標(biāo)簽以及所述第一類別數(shù)確定所述第一軟標(biāo)簽對(duì)應(yīng)的第一概率分布，并基于所述第二軟標(biāo)簽以及所述第二類別數(shù)確定所述第二軟標(biāo)簽對(duì)應(yīng)的第二概率分布；

25、基于所述第一類別數(shù)、所述第三批次值、所述第一概率分布、所述第二類別數(shù)、所述第四批次值以及所述第二概率分布獲得第二蒸餾損失值。

26、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種圖像分類裝置，所述裝置包括：

27、圖像分析模塊，用于獲取待分類圖像，并將所述待分類圖像輸入至預(yù)設(shè)圖像分類模型進(jìn)行分類，所述預(yù)設(shè)圖像分類模型為通過(guò)基于第一類激活圖以及第二類激活圖獲得的第一蒸餾損失值對(duì)初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練獲得的模型，所述第一類激活圖通過(guò)第一教師網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得，所述第二類激活圖通過(guò)所述初始學(xué)生網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得；

28、類別分析模塊，用于基于分類結(jié)果獲得所述待分類圖像對(duì)應(yīng)的圖像類別。

29、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種圖像分類設(shè)備，所述設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序配置為實(shí)現(xiàn)如上文所述的圖像分類方法的步驟。

30、此外，為實(shí)現(xiàn)上述目的，本技術(shù)還提出一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的圖像分類方法的步驟。

31、本技術(shù)提出了一種圖像分類方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，該方法包括：獲取待分類圖像，并將所述待分類圖像輸入至預(yù)設(shè)圖像分類模型進(jìn)行分類，所述預(yù)設(shè)圖像分類模型為通過(guò)基于第一類激活圖以及第二類激活圖獲得的第一蒸餾損失值對(duì)初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練獲得的模型，所述第一類激活圖通過(guò)第一教師網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得，所述第二類激活圖通過(guò)所述初始學(xué)生網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得；基于分類結(jié)果獲得所述待分類圖像對(duì)應(yīng)的圖像類別，這說(shuō)明本技術(shù)可以通過(guò)將待分類圖像輸入至預(yù)設(shè)圖像分類模型獲得分類結(jié)果，并基于該分類結(jié)果獲取所述待分類圖像對(duì)應(yīng)的圖像類別，由于預(yù)設(shè)圖像分類模型是通過(guò)第一教師網(wǎng)絡(luò)對(duì)樣本圖像進(jìn)行特征提取獲得的第一類激活圖以及初始學(xué)生網(wǎng)絡(luò)模型對(duì)樣本圖像進(jìn)行特征提取獲得的第二類激活圖對(duì)初始學(xué)生網(wǎng)絡(luò)模型進(jìn)行反向傳播訓(xùn)練得到的，在資源環(huán)境受限的情況下，也可以通過(guò)將教師網(wǎng)絡(luò)模型結(jié)果通過(guò)反向傳播訓(xùn)練知識(shí)蒸餾到初始學(xué)生模型，獲得高準(zhǔn)確率的結(jié)構(gòu)簡(jiǎn)單的預(yù)設(shè)圖像分類模型來(lái)對(duì)待分類模型進(jìn)行分類，獲得精準(zhǔn)的圖像分類結(jié)果，并基于該精準(zhǔn)的圖像分類結(jié)果準(zhǔn)確判斷待分類圖像對(duì)應(yīng)的圖像類別。