图片分类方法及装置的制造方法
【技术领域】
[0001]本公开涉及图像识别技术领域，尤其涉及一种图片分类方法及装置。
【背景技术】
[0002]卷积神经网络是近年来广泛应用于图像处理等领域的一种高效识别算法，是神经网络的一种结构。当卷积神经网络的结构搭建好后，卷积神经网络的训练与多层神经网络训练方式相同。如果直接应用卷积神经网络对图片进行分类识别，在卷积神经网络的最后一个全连接层后得到的特征直接输入到卷积神经网络的softmax层，softmax层的分类器应用多分类逻辑回归进行分类，分类方式较为单一，致使对图片的分类精确度不高。
【发明内容】
[0003]为克服相关技术中存在的问题，本公开实施例提供一种图片分类方法及装置，用以提高对图片分类的精确度。
[0004]根据本公开实施例的第一方面，提供一种图片分类方法，包括:
[0005]将原始图片输入到训练后的卷积神经网络；
[0006]通过所述卷积神经网络的全连接层确定所述原始图片的特征参数；
[0007]将所述特征参数输入到训练后的支持向量机中，通过所述支持向量机对所述原始图片进行分类。
[0008]在一实施例中，所述将所述特征参数输入到支持向量机中，通过所述支持向量机对所述原始图片进行分类，可包括:
[0009]在所述支持向量机中确定与所述特征参数相对应的核函数；
[0010]根据所述核函数对所述原始图片进行分类。
[0011]在一实施例中，所述方法还可包括:
[0012]通过一组图片对所述卷积神经网络进行训练，确定所述卷积神经网络的全连接层参数，所述全连接层参数作为所述支持向量机的输入参数；
[0013]通过所述全连接层参数对所述支持向量机进行训练。
[0014]根据本公开实施例的第二方面，提供一种图片分类装置，包括:
[0015]输入模块，被配置为将原始图片输入到训练后的卷积神经网络；
[0016]确定模块，被配置为通过所述卷积神经网络的全连接层确定所述输入模块输入的所述原始图片的特征参数；
[0017]分类模块，被配置为将所述确定模块确定的所述特征参数输入到训练后的支持向量机中，通过所述支持向量机对所述原始图片进行分类。
[0018]在一实施例中，所述分类模块可包括:
[0019]确定子模块，被配置为在所述支持向量机中确定与所述确定模块确定的所述特征参数相对应的核函数；
[0020]分类子模块，被配置为根据所述确定子模块确定的所述核函数对所述原始图片进行分类。
[0021]在一实施例中，所述装置还可包括:
[0022]第一训练模块，被配置为通过一组图片对所述输入模块需要的所述卷积神经网络进行训练，确定所述卷积神经网络的全连接层参数，所述全连接层参数作为所述支持向量机的输入参数；
[0023]第二训练模块，被配置为通过所述第一训练模块训练的得到的所述全连接层参数对所述支持向量机进行训练。
[0024]根据本公开实施例的第三方面，提供一种图片分类装置，包括:
[0025]处理器；
[0026]用于存储处理器可执行指令的存储器；
[0027]其中，所述处理器被配置为:
[0028]将原始图片输入到训练后的卷积神经网络；
[0029]通过所述卷积神经网络的全连接层确定所述原始图片的特征参数；
[0030]将所述特征参数输入到训练后的支持向量机中，通过所述支持向量机对所述原始图片进行分类。
[0031]本公开的实施例提供的技术方案可以包括以下有益效果:通过将卷积神经网络的全连接层的特征参数输入到训练后的支持向量机中，通过支持向量机对原始图片进行分类，由于支持向量机有各种核函数可选，因此可以针对不同类的特征参数选取更合适的核函数，避免了采用单一的softmax分类器，从而可以使图片具有更好的识别效果，提高图片分类的精确度。
[0032]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
【附图说明】
[0033]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0034]图1A是根据一示例性实施例示出的图片分类方法的流程图。
[0035]图1B是根据一示例性实施例示出的卷积神经网络与支持向量机的示意图。
[0036]图2是根据一示例性实施例一示出的图片分类方法的流程图。
[0037]图3是根据一示例性实施例二示出的图片分类方法的流程图。
[0038]图4是根据一示例性实施例示出的一种图片分类装置的框图。
[0039]图5是根据一示例性实施例示出的另一种图片分类装置的框图。
[0040]图6是根据一示例性实施例示出的一种适用于图片分类装置的框图。
【具体实施方式】
[0041]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0042]图1A是根据一示例性实施例示出的图片分类方法的流程图，图1B是根据一示例性实施例示出的卷积神经网络与支持向量机的示意图；该图片分类方法可以应用在终端设备(例如:智能手机、平板电脑、台式计算机)上，可以通过在智能手机或者平板电脑上安装应用的方式或者在台式计算机上安装软件的方式实现，如图1A所示，该图片分类方法包括以下步骤SlOl-S 103:
[0043]在步骤SlOl中，将原始图片输入到训练后的卷积神经网络。
[0044]在一实施例中，可以通过一组图片对卷积神经网络进行训练，得到训练后的卷积神经网络。
[0045]在步骤S102中，通过卷积神经网络的全连接层确定原始图片的特征参数。
[0046]在一实施例中，全连接层位于卷积神经网络的倒数第二层，当卷积神经网络训练好之后，在全连接层后得到经过卷积神经网络提取的特征参数。
[0047]在步骤S103中，将特征参数输入到训练后的支持向量机中，通过支持向量机对原始图片进行分类。
[0048]在一实施例中，训练完之后卷积神经网络的倒数第二层的所有节点作为特征参数输入到支持向量机中，在一实施例中，输入到支持向量机的特征参数为全连接层上的所有节点的值组成的向量。
[0049]如图1B所示，本公开所使用的网络包括:输入层11、卷积神经网络12和支持向量接13，其中，输入层11可以输入原始图片的像素值，卷积神经网络12的倒数第二层的所有节点作为特征参数输入到支持向量机13中，本领域技术人员可以理解的是，图1B仅作为示意性说明而非限制，只要能够将卷积神经网络12的倒数第二层的所有节点作为特征参数输入到支持向量机13从而实现对原始图片进行分类的实现方式均为本公开所涵盖。
[0050]本实施例中，通过将卷积神经网络的全连接层的特征参数输入到训练后的支持向量机中，通过支持向量机对原始图片进行分类，由于支持向量机有各种核函数可选，因此可以针对不同类的特征参数选取更合适的核函数，避免了采用单一的softmax分类器，从而可以使图片具有更好的识别效果，提高图片分类的精确度。
[0051]在一实施例中，将特征参数输入到支持向量机中，通过支持向量机对原始图片进行分类，可包括:
[0052]在支持向量机中确定与特征参数相对应的核函数；
[0053]根据核函数对原始图片进行分类。
[0054]在一实施例中，方法还可包括:
[0055]通过一组图片对卷积神经网络进行训练，确定卷积神经网络的全连接层参数，全连接层参数作为支持向量机的输入参数；
[0056]通过全连接层参数对支持向量机进行训练。
[0057]具体如何对图片进行分类的，请参考后续实施例。
[0058]至此，本公开实施例提供的上述方法，可以避免采用单一的softmax分类器，使图片具有更好的识别效果，提高图片分类的精确度。
[0059]下面以具体实施例来说明本公开实施例提供的技术方案。
[0060]图2是根据一示例性实施例一示出的图片分类方法的流程图；本实施例利用本公开实施例提供的上述方法，以如何确定支持向量机中的核函数为例进行示例性说明，如图2所示，包括如下步骤:
[0061]在步骤S201中，将原始图片输入到训练后的卷积神经网络。
[0062]在步骤S202中，通过卷积神经网络的全连接层确定原始图片的特征参数。
[0063]步骤S201和步骤S202的描述请参见上述步骤SlOl和步骤S102的描述，在次不再详述，
[0064]在步骤S203中，在支持向量机中确定与特征参数相对应的核函数。
[0065]在步骤S204中，根据核函数对原始图片进行分类。
[0066]在一实施例中，为了确保原始图片具有更好的识别率，由于支持向量机包括线性核函数和RBF核函数，因此本公开可以针对不同类的特征参数确定与特征参数更合适的核函数，避免了采用单一的softmax分类器。例如，如果特征参数本身比较稀疏或者明显线性可分，则既可以采用线性核函数也可以采用RBF核函数，对于线性核分类一般的情况或者明显特征线性不可分的情况，则可以采用RBF核函数，从而确保对原始图片的分类具有更显著的效果。
[0067]本实施例中，通过与特征参数相对应的核函数对原始图片进行分类，避免了采用单一的softmax分类器，使图片具有更好的识别效果，提高图片分类的精确度。
[0068]图3是根据一示例性实施例二示出的图片分类方法的流程图；本实施例利用本公开实施例提供的上述方法，以如何对卷积神经网络和支持向量机进行训练为例进行示例性说明，如图3所示，包括如下步骤:
[0069]在步骤S301中，通过一组图片对卷积神经网络进行训练，确定卷积神经网络的全连接层参数，全连接层参数作为支持向量机的输入参数。
[0070]在步骤S302中，通过全连接层参数对支持向量机进行训练。
[0071]在一实施例中，可以通过卷积神经网络采用相关技术中的训练方式对一组图片进行训练，在对卷积神经网络训练完成后，收敛结果即为卷积神经网络中的每个参数的值，将卷积神经网络的倒数第二层(即，全连接层)的所有节点作为特征参数输入到支持向量机中，进而对支持向量机进行训练，由于卷积神经网络的倒数第二层作为支持向量机的输入特征，以及输入特征对应的训练集的标签(label)，从而