技术特征：
1.一种图像分类方法，其特征在于，包括：获取图像分类模型；获取待分类的图像；将所述图像输入所述图像分类模型中，输出所述图像的分类结果；所述图像分类模型采用图像分类模型的训练方法训练得到的；所述图像分类模型的训练方法包括：获取第一神经网络和第二神经网络，其中，所述第一神经网络和所述第二神经网络均包括输入层、多个卷积层和输出层，且所述第一神经网络中的卷积层的通道维度数量大于所述第二神经网络中的卷积层的通道维度数量，设定所述第一神经网络中的多个卷积层中的一个或多个卷积层作为指导层，设定所述第二神经网络中的多个卷积层中的一个或多个卷积层作为学习层，所述第一神经网络还包括与所述指导层连接的全局平均池化层，所述第二神经网络还包括与所述学习层连接的升维卷积层；获取训练图像，并将所述训练图像输入所述第一神经网络中并在指导层中输出第一特征图，将所述训练图像输入所述第二神经网络中并在学习层中输出第二特征图；将所述第一特征图输入所述全局平均池化层中得到降维特征图，将所述第二特征图输入所述升维卷积层中得到升维特征图，其中，所述降维特征图与所述升维特征图中通道维度的数量相同；至少根据所述降维特征图与所述升维特征图计算第一损失，基于所述第一损失更新所述学习层中的参数，得到指导后的所述第二神经网络；将所述训练图像输入到所述指导后的所述第二神经网络中输出预测标签，至少根据所述预测标签与所述训练图像的真实标签计算第二损失，基于所述第二损失更新所述第二神经网络中的参数，得到所述图像分类模型。2.根据权利要求1所述的图像分类方法，其特征在于，所述将所述第一特征图输入所述全局平均池化层中得到降维特征图包括：将所述第一特征图输入所述全局平均池化层中，获得对应于所述第一特征图中每一个通道维度的分数；根据每一个通道维度对应的分数由大到小对通道维度进行排序，得到特征图序列；从特征图序列中选取排序倒数的多个通道维度，组成压缩特征图；按照预设规则从所述压缩特征图中选取部分通道维度组成去除特征图；将第一特征图与所述去除特征图相减，得到降维特征图。3.根据权利要求1所述的图像分类方法，其特征在于，所述至少根据所述降维特征图与所述升维特征图计算第一损失之后，还包括：基于所述第一损失更新所述升维卷积层中的参数。4.根据权利要求1所述的图像分类方法，其特征在于，所述第一损失的计算步骤包括：计算所述降维特征图中的各个通道维度与所述升维特征图中对应通道维度的相减值，得到多个差值；将所述多个差值中每个差值进行平方，得到多个平方值；计算所述多个平方值的平均值，得到所述第一损失。5.根据权利要求1所述的图像分类方法，其特征在于，所述第一损失的计算步骤包括：
分别对所述升维特征图和所述降维特征图进行归一化处理；分别计算归一化处理后的所述升维特征图与归一化处理后的所述降维特征图在每个通道维度上的相似度，得到多个相似度值；计算所述多个相似度值的平均值，将所述平均值的相反数乘以第一预设系数，得到所述第一损失。6.根据权利要求1所述的图像分类方法，其特征在于，所述第二损失的计算步骤包括：根据所述预测标签与所述训练图像的真实标签的相似度计算第一部分损失；获取所述第一神经网络中输出层输出的第一特征向量，以及所述第二神经网络中输出层输出的第二特征向量；根据所述第一特征向量与所述第二特征向量的相似度计算第二部分损失；至少将所述第二部分损失和第二预设系数的乘积与所述第一部分损失相加得到所述第二损失。7.根据权利要求6所述的图像分类方法，其特征在于，所述至少将所述第二部分损失和第二预设系数的乘积与所述第一部分损失相加得到所述第二损失包括：将所述第一损失作为第三部分损失；将所述第二部分损失和第二预设系数的乘积、第三部分损失和第三预设系数的乘积以及所述第一部分损失相加得到所述第二损失。8.一种图像分类系统，其特征在于，包括：图像分类模型获取模块，用于获取图像分类模型；图像获取模块，用于获取待分类的图像；图像分类模块，用于将所述图像输入所述图像分类模型中，输出所述图像的分类结果；其中，所述图像分类模型获取模块包括：神经网络获取单元，用于获取第一神经网络和第二神经网络，其中，所述第一神经网络和所述第二神经网络均包括输入层、多个卷积层和输出层，且所述第一神经网络中的卷积层的通道维度数量大于所述第二神经网络中的卷积层的通道维度数量，设定第一神经网络中的多个卷积层中的一个或多个卷积层作为指导层，设定第二神经网络中的多个卷积层中的一个或多个卷积层作为学习层，所述第一神经网络还包括与所述指导层连接的全局平均池化层，所述第二神经网络还包括与所述学习层连接的升维卷积层；训练图像获取单元，用于获取训练图像；训练单元，用于将所述训练图像输入到所述第一神经网络中并在指导层中输出第一特征图，将所述训练图像输入所述第二神经网络中并在学习层中输出第二特征图；将所述第一特征图输入所述全局平均池化层中得到降维特征图，将所述第二特征图输入所述升维卷积层中得到升维特征图，其中，所述降维特征图与所述升维特征图中通道维度的数量相同；至少根据所述降维特征图与所述升维特征图计算第一损失，基于所述第一损失更新所述学习层中的参数，得到指导后的所述第二神经网络；将所述训练图像输入到所述指导后的所述第二神经网络中输出预测标签，至少根据所述预测标签与所述训练图像的真实标签计算第二损失，基于所述第二损失更新所述第二神经网络中的参数，得到所述图像分类模型。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7任一项所
述的图像分类方法。10.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，当计算机程序在计算机上执行时，使得所述计算机执行如权利要求1至7任一项所述的图像分类方法。
技术总结
本申请公开一种图像分类方法、系统、存储介质及电子设备。在图像分类方法中，提供的第一神经网络的卷积层的通道维度数量相对较多使第一神经网络具有较好的表达能力，再将训练图像分别输入第一神经网络和第二神经网络中获得由第一神经网络中指导层输出的第一特征图以及第二神经网络中学习层输出的第二特征图，对第一特征图进行降维和对第二特征图进行升维使得到的降维特征图与升维特征图的通道维度数量相等从而实现第一损失的计算，并根据第一损失更新学习层中的参数，实现学习层向指导层进行学习模仿，有利于提高第二神经网络图像分类的准确性。像分类的准确性。像分类的准确性。
技术研发人员：申啸尘 周有喜
受保护的技术使用者：深圳市爱深盈通信息技术有限公司
技术研发日：2021.08.16
技术公布日：2021/9/9