CN114120034B 一种图像分类方法、装置、电子设备及存储介质 （北京达佳互联信息技术有限公司）

待分类图像输入至预设多层神经网络中进行特预设层神经网络的输出结果输入至多标签分类图像在每层神经网络的特征提取结果进行图像2将所述待分类图像输入至预设多层神经网络中进行特征提取将多个预设层神经网络的输出结果输入至多标签分类深度学习模型进行自注意力计所述将多个预设层神经网络的输出结果输入至多标签分类深度学习模型进行自注意将所述中间图像输入至多标签分类深度学习模型进行自注意力计算，根据所述注意力分布图对所述多个预设层神经网络的输出结果进对所述待分类图像进行图像增强处理，将图像增强处理后的待将所述子图像输入至预设多层神经网络中进行特征提取，得将所述子图像依次输入每层神经网络中进行特征提取，对每将最后三层神经网络的输出结果输入至多标签分类深度学习模型进行自注意力计算，特征提取单元，被配置为执行将所述待分类图像输入至分类单元，被配置为执行将多个预设层神经网络的输出结将所述中间图像输入至多标签分类深度学习模型进行自注意力计算，3根据所述注意力分布图对所述多个预设层神经网络的输出结果进对所述待分类图像进行图像增强处理，将图像增强处理后的待分类将所述子图像输入至预设多层神经网络中进行特征提取，得其中，所述处理器被配置为执行所述指令，以实现如权利要求8.一种计算机可读存储介质，其特征在于，当所4程中，可能丢失了很多局部信息或者局部信息经过多层卷积之后到达上层已经不太正确，中多标签图像分类任务中可能丢失了很多局部信息或者局部信息经过多层卷积之后到达[0008]将多个预设层神经网络的输出结果输入至多标签分类深度学习模型进行特征提5[0019]将最后三层神经网络的输出结果输入至多标签分类深度学习模型进行自注意力[0034]将最后三层神经网络的输出结果输入至多标签分类深度学习模型进行自注意力6[0040]根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序/指7待分类图像的局部细节信息也可能会丢失或出现较大[0060]一种实现方式中，在将待分类图像输入至预设多层神经网络中进行特征提取之合)处理和CutMix(裁剪混合)处理等任意一种或8[0069]在步骤S13中，将多个预设层神经网络的输出结果输入至多标签分类深度学习模具体采用的是Transformer模型，Transformer模型主要包括自注意力计算(self-[0077]其中，a1、a2、a3和a4是输入信息，输入信息均为一维向量，维度为(d,1)，和k11,1q的概率权重表示为关于a1的a2的概率权重表示为关于a1的a3的概率权重表示为9和[0088]特征提取单元402，被配置为执行将所述待分类图像输入至预设多层神经网络中[0089]分类单元403，被配置为执行将多个预设层神经网络的输出结果输入至多标签分[0100]将最后三层神经网络的输出结果输入至多标签分类深度学习模型进行自注意力机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指[0112]电源组件807为装置800的各种组件提供电力。电源组件807可以包括电源管理系后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组[0115]I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可[0116]传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。可选者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域