(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111672688.4 (22)申请日 2021.12.31 (71)申请人 腾讯科技 （深圳） 有限公司 地址 518044 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 牛力强　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 代理人 王宁宁 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/771(2022.01) G06V 10/26(2022.01) G06K 9/62(2022.01) (54)发明名称 一种图像分类方法、 装置、 计算机设备及存 储介质 (57)摘要 本申请提供一种图像分类方法、 装置、 计算 机设备及存储介质， 可以应用于人工智能或智能 交通领域等， 用于解决图像分类的效率和准确性 较低的问题。 该方法至少包括： 采用所述目标图 像分类模型， 对 所述特征向量序列进行多轮特征 筛选， 生成关键特征向量， 其中， 在至少一轮特征 筛选中， 执行 以下操作： 针对上一轮特征筛选后 获得的特征向量序列， 进行本轮特征筛选之前， 基于所述获得的特征向量序列当前包含的各备 选特征向量， 与所述待分类图像中的目标对象之 间的特征相似度， 对所述获得的特征向量序列进 行过滤处理。 从而， 通过过滤处理， 减少了需要处 理的数据量， 同时可以更加有针对性的对相关特 征进行识别， 提高了图像分类的效率和准确性。 权利要求书3页 说明书19页 附图10页 CN 114373098 A 2022.04.19 CN 114373098 A 1.一种图像分类方法， 其特 征在于， 包括： 针对待分类图像， 采用已训练的目标图像分类模型， 将所述待分类图像划分为多个子 图像区域， 并分别提取 所述多个子图像区域各自的备选特 征向量， 生成特 征向量序列； 采用所述目标图像分类模型， 对所述特征向量序列进行多轮特征筛选， 生成关键特征 向量， 其中， 在至少一轮特征筛选中， 执行以下操作： 针对上一轮特征筛选后获得的特征向 量序列， 进行本轮特征筛选之前， 基于所述获得的特征向量序列当前包含的各备选特征向 量， 与所述待分类图像中的目标对 象之间的特征相似度， 对所述获得 的特征向量序列进行 过滤处理； 采用所述目标图像分类模型， 基于所述关键特征向量， 对所述待分类图像进行分类处 理， 输出所述待分类图像的目标类别。 2.根据权利要求1所述的方法， 其特征在于， 分别提取所述多个子图像区域各自的备选 特征向量， 生成特 征向量序列， 包括： 分别提取 所述多个子图像区域各自的图像特 征向量； 基于所述多个子图像区域各自在所述待分类图像中的位置， 分别生成相应的区域位置 向量； 分别对各个图像特征向量， 与相应的区域位置向量进行融合处理， 分别获得所述多个 子图像区域各自的备选特 征向量； 基于各个区域位置向量表征的所述多个子图像区域之间的位置关系， 依次排列相应的 备选特征向量， 生成所述特 征向量序列。 3.根据权利要求1或2所述的方法， 其特征在于， 采用所述目标图像分类模型， 对所述特 征向量序列进行多轮特 征筛选， 生成关键特 征向量， 包括： 在每轮特征筛选中， 执行以下操作： 获取上一轮特 征筛选后获得的特 征向量序列和关键特 征向量； 分别确定所述获得的特征向量序列当前包含的各备选特征向量， 与 所述待分类图像包 含的目标对象之间的特 征相似度； 基于各个特征相似度， 从所述获得的特征向量序列当前包含的各备选特征向量中， 选 取特征相似度满足相似度条件的备选特 征向量， 更新所述关键特 征向量。 4.根据权利要求3所述的方法， 其特征在于， 基于各个特征相似度， 从所述获得的特征 向量序列当前包含的各备选特征向量中， 选取特征相似度满足相似度条件的备选特征向 量， 更新所述关键特 征向量， 包括： 在至少一轮特 征筛选中， 执行以下操作： 将上一轮特征筛选后获得的特征向量序列， 作为初始特征向量序列， 并对所述初始特 征向量序列当前包含的各备选特征向量中， 特征相似度不满足相似度条件的备选特征向量 进行过滤处理， 生成目标 特征向量序列； 分别确定所述目标特征向量序列当前包含的各备选特征向量， 与所述待分类图像包含 的目标对象之间的特征相似度， 并从所述目标特征向量序列当前包含的各备选特征向量 中， 选取特征相似度满足相似度条件的备选特 征向量， 更新所述关键特 征向量。 5.根据权利要求4所述的方法， 其特征在于， 对所述初始特征向量序列当前包含的各备 选特征向量中， 特征相似度不满足相似度条件的备选特征向量进行过滤处理， 生成目标特权　利　要　求　书 1/3 页 2 CN 114373098 A 2征向量序列， 至少包括以下任意 一种方式： 基于指定卷积核和指定卷积步长， 对所述初始特征向量序列包含的各备选特征向量进 行卷积运算， 并基于卷积运 算获得的各 备选特征向量， 生成所述目标 特征向量序列； 对所述初始特征向量序列包含的各备选特征向量进行多层感知处理， 以指定向量数量 为目标， 融合所述初始特征向量序列中， 特征相似度不满足相似度条件的备选特征向量， 与 特征相似度满足相似度条件的备选特征向量， 并基于融合获得的各备选特征向量， 生成所 述目标特征向量序列， 其中， 所述指 定向量数量， 小于所述初始特征向量序列包含的各备选 特征向量的数量。 6.一种图像分类方法， 其特 征在于， 包括： 获得待分类图像； 将所述待分类图像输入已训练 的目标图像分类模型， 获得所述目标图像分类模型输出 的目标分类； 其中， 所述目标图像分类模型是基于各个样本数据， 对待训练的图像分类模型进行多 轮迭代训练获得的， 每轮训练至少对样本数据包含的样本图像的样本特征向量序列进 行多 轮特征筛选， 在至少一轮特征筛选中， 执行以下操作： 针对上一轮特征筛选后获得的样 本特 征向量序列， 进行本轮特征筛选之前， 基于所述获得的样本特征向量序列当前包含的各样 本备选特征向量， 与所述样本图像中的样本对 象之间的样本特征相似度， 对所述获得的样 本特征向量序列进行 过滤处理。 7.一种图像分类装置， 其特 征在于， 包括： 第一处理模块： 用于针对待分类图像， 采用已训练的目标图像分类模型， 将所述待分类 图像划分为多个子图像区域， 并分别提取所述多个子图像区域各自的备选特征向量， 生成 特征向量序列； 所述第一处理模块还用于： 采用所述目标图像分类模型， 对所述特征向量序列进行多 轮特征筛选， 生 成关键特征向量， 其中， 在至少一轮特征筛选中， 执行以下操作： 针对上一轮 特征筛选后获得的特征向量序列， 进行本轮特征筛选之前， 基于所述获得的特征向量序列 当前包含的各备选特征向量， 与所述待分类图像中的目标对 象之间的特征相似度， 对所述 获得的特 征向量序列进行 过滤处理； 第二处理模块： 用于采用所述目标图像分类模型， 基于所述关键特征向量， 对所述待分 类图像进行分类处 理， 输出所述待分类图像的目标类别。 8.一种图像分类装置， 其特 征在于， 包括： 获取模块： 用于获得待分类图像； 处理模块： 用于将所述待分类图像输入已训练的目标图像分类模型， 获得所述目标图 像分类模型输出的目标分类； 其中， 所述目标图像分类模型是基于各个样本数据， 对待训练的图像分类模型进行多 轮迭代训练获得的， 每轮训练至少对样本数据包含的样本图像的样本特征向量序列进 行多 轮特征筛选， 在至少一轮特征筛选中， 执行以下操作： 针对上一轮特征筛选后获得的样 本特 征向量序列， 进行本轮特征筛选之前， 基于所述获得的样本特征向量序列当前包含的各样 本备选特征向量， 与所述样本图像中的样本对 象之间的样本特征相似度， 对所述获得的样 本特征向量序列进行 过滤处理。权　利　要　求　书 2/3 页 3 CN 114373098 A 3