基于分类网络模型的图像处理方法、装置、设备和介质与流程

本技术属于工业互联网，具体涉及一种基于分类网络模型的图像处理方法、装置、设备和介质。

背景技术：

1、随着深度学习技术的不断进步，基于cnn的图像分类方法取得了显著的成果。然而，cnn在处理图像的空间信息方面存在局限性，对于细粒度图像分类任务存在一定的挑战。为了解决这个问题，基于vision transformer（简称“vit”）的细粒度图像分类方法应运而生。vision transformer模型采用自注意力机制，能够全面地考虑图像中的上下文信息，从而在细粒度图像分类任务中表现出色。

2、然而，尽管基于vision transformer的细粒度图像分类方法在某些任务中展现出了一定的优势，但它们仍然存在一些不足之处。例如，由于vision transformer模型中的自注意力机制对图像中的像素位置信息并不敏感，因此在细粒度图像分类中可能会忽略一些关键的细微差别，从而导致错误的识别。

3、因此，如何解决vision transformer模型在图像分类任务中无法准确区分同一类别中不同物种的图像元素的问题。

技术实现思路

1、本技术提供了一种基于分类网络模型的图像处理方法、装置、设备和介质，用于解决vision transformer模型在图像分类任务中无法准确区分同一类别中不同物种的图像元素的问题。

2、第一方面，本技术提供一种基于分类网络模型的图像处理方法，包括：

3、获取模型构建数据集，所述模型构建数据集包括：模型构建参数集、历史训练数据集；

4、根据所述模型构建参数集和所述历史训练数据集，构建分类网络模型，所述分类网络模型包括：多个具有先后顺序的训练阶段；

5、实时获取原始图像，并根据所述多个训练阶段，对所述原始图像进行像素处理，得到多个待处理图像；

6、根据所述多个待处理图像和所述分类网络模型，确定所述原始图像的处理结果。

7、可选的，所述根据所述模型构建参数集和所述历史训练数据集，构建分类网络模型，包括：

8、根据所述模型构建参数集，确定多个候选模型参数，所述候选模型参数包括：通用神经网络模型、目标分类器、注意力转移算法和渐进式训练算法；

9、根据所述通用神经网络模型、目标分类器、注意力转移算法和渐进式训练算法，构建待训练的分类网络模型；

10、根据所述历史训练数据集，对所述待训练的分类网络模型进行训练，得到训练完成的分类网络模型。

11、可选的，所述历史训练数据集包括：多个训练图像和与每个训练图像对应的图像参数，所述根据所述历史训练数据集，对所述待训练的分类网络模型进行训练，得到训练完成的分类网络模型，包括：

12、对所述待训练的分类网络模型进行解析处理，得到与所述分类网络模型对应的多个训练阶段；

13、根据所述多个训练阶段和多个图像参数，对所述待训练的分类网络模型进行训练，得到所述训练完成的分类网络模型。

14、可选的，所述根据所述多个训练阶段和多个图像参数，对所述待训练的分类网络模型进行训练，得到所述训练完成的分类网络模型之后，所述方法还包括：

15、获取测试数据集，所述测试数据集包括：多个测试图像；

16、将所述多个测试图像依次输入至所述训练完成的分类网络模型，得到与每个验证图像对应的验证结果；

17、判断多个验证结果是否均达到预设验证结果；

18、在所述多个验证结果均达到预设验证结果时，确定所述训练完成的分类网络模型的使用状态为可用状态。

19、可选的，所述根据所述多个训练阶段，对所述原始图像进行像素处理，得到多个待处理图像，包括：

20、根据所述多个训练阶段，确定每个训练阶段的图像参数标准；

21、根据所述原始图像，确定所述原始图像的目标图像参数；

22、根据多个图像参数标准，对所述目标图像参数进行像素处理，得到所述多个待处理图像。

23、可选的，所述根据所述多个待处理图像和所述分类网络模型，确定所述原始图像的处理结果，包括：

24、根据所述渐进式训练算法，对所述多个待处理图像分别进行特征处理，得到与所述每个待处理图像对应的特征结果；

25、根据所述注意力转移算法，对多个特征结果分别进行区分处理，得到与所述每个训练阶段对应的目标特征结果；

26、采用所述目标分类器，对多个目标特征结果分别进行解析处理，得到与每个目标特征结果对应的分类损失；

27、根据所述多个分类损失和所述多个目标特征结果，确定所述处理结果。

28、可选的，所述根据所述注意力转移算法，对多个特征结果分别进行区分处理，得到与所述每个训练阶段对应的目标特征结果，所述方法还包括：

29、根据多个特征结果，确定与所述每个阶段对应的特征向量；

30、根据所述注意力转移算法，对多个特征向量进行区分处理，得到所述目标特征结果。

31、第二方面，本技术提供一种基于分类网络模型的图像处理装置，包括：

32、获取模块，用于获取模型构建数据集，所述模型构建数据集包括：模型构建参数集、历史训练数据集；

33、构建模块，用于根据所述模型构建参数集和所述历史训练数据集，构建分类网络模型，所述分类网络模型包括：多个具有先后顺序的训练阶段；

34、所述获取模块，还用于获取原始图像；

35、处理模块，用于根据所述多个训练阶段，对所述原始图像进行像素处理，得到多个待处理图像；

36、确定模块，用于根据所述多个待处理图像和所述分类网络模型，确定所述原始图像的处理结果。

37、可选的，所述确定模块，还用于根据所述模型构建参数集，确定多个候选模型参数，所述候选模型参数包括：通用神经网络模型、目标分类器、注意力转移算法和渐进式训练算法；

38、所述构建模块，具体用于根据所述通用神经网络模型、目标分类器、注意力转移算法和渐进式训练算法，构建待训练的分类网络模型；

39、所述装置还包括：训练模块；

40、所述训练模块，用于根据所述历史训练数据集，对所述待训练的分类网络模型进行训练，得到训练完成的分类网络模型。

41、可选的，所述处理模块，还用于对所述待训练的分类网络模型进行解析处理，得到与所述分类网络模型对应的多个训练阶段；

42、所述训练模块，还用于根据所述多个训练阶段和多个图像参数，对所述待训练的分类网络模型进行训练，得到所述训练完成的分类网络模型。

43、可选的，所述获取模块，还用于获取测试数据集，所述测试数据集包括：多个测试图像；

44、所述装置还包括：输入模块；

45、所述输入模块，用于将所述多个测试图像依次输入至所述训练完成的分类网络模型，得到与每个验证图像对应的验证结果；

46、所述装置还包括：判断模块；

47、所述判断模块，用于判断多个验证结果是否均达到预设验证结果；

48、所述确定模块，用于在所述多个验证结果均达到预设验证结果时，确定所述训练完成的分类网络模型的使用状态为可用状态。

49、可选的，所述确定模块，还用于根据所述多个训练阶段，确定每个训练阶段的图像参数标准；

50、所述确定模块，还用于根据所述原始图像，确定所述原始图像的目标图像参数；

51、所述处理模块，具体用于根据多个图像参数标准，对所述目标图像参数进行像素处理，得到所述多个待处理图像。

52、可选的，所述处理模块，还用于根据所述渐进式训练算法，对所述多个待处理图像分别进行特征处理，得到与所述每个待处理图像对应的特征结果；

53、所述处理模块，还用于根据所述注意力转移算法，对多个特征结果分别进行区分处理，得到与所述每个训练阶段对应的目标特征结果；

54、所述处理模块，还用于采用所述目标分类器，对多个目标特征结果分别进行解析处理，得到与每个目标特征结果对应的分类损失；

55、所述确定模块，具体用于根据所述多个分类损失和所述多个目标特征结果，确定所述处理结果。

56、可选的，所述确定模块，还用于根据多个特征结果，确定与所述每个阶段对应的特征向量；

57、所述处理模块，具体用于根据所述注意力转移算法，对多个特征向量进行区分处理，得到所述目标特征结果。

58、第三方面，本技术提供一种基于分类网络模型的图像处理设备，包括：

59、存储器；

60、处理器；

61、其中，所述存储器存储计算机执行指令；

62、所述处理器执行所述存储器存储的计算机执行指令，以实现如上述第一方面及第一方面各种可能的实现方式所述的基于分类网络模型的图像处理方法。

63、第四方面，本技术提供一种计算机存储介质，其上存储有计算机执行指令，所述计算机执行指令被处理器执行以实现如上述第一方面及第一方面各种可能的实现方式所述的基于分类网络模型的图像处理方法。

64、本技术提供的基于分类网络模型的图像处理方法，根据获取到的模型构建参数集和历史训练数据集，先构建具有多个先后顺序阶段的分类网络模型，然后使用分类网络模型对重新获取到的原始图像进行处理，得到原始图像的处理结果。该方法解决了visiontransformer模型在图像分类任务中无法准确区分同一类别中不同物种的图像元素的问题，从而提高了图像分类处理的准确率。同时，该方法还提高了分类网络模型的泛化能力，从而使其能够适应各种不同的图像处理任务。