一种数据分类方法、计算机及可读存储介质与流程

技术特征：
1.一种数据分类方法，其特征在于，所述方法包括：获取原始图像对应的视觉标识，识别所述原始图像中用于提取关注对象的检测位置坐标，基于所述检测位置坐标从所述原始图像中获取包含所述关注对象的目标检测图像，根据所述视觉标识及所述检测位置坐标确定所述原始图像对应的检测位置信息；所述视觉标识用于表示所述关注对象在所述原始图像对应的物品中的视觉角度；获取所述目标检测图像的图像特征，对所述检测位置信息进行尺度变换，得到所述目标检测图像的位置特征；对所述图像特征及所述位置特征进行特征拼接，得到融合特征，基于所述位置特征确定所述图像特征中的关键特征，基于所述关键特征对所述融合特征进行分类处理，得到所述目标检测图像所属的图像类别。2.如权利要求1所述的方法，其特征在于，所述识别所述原始图像中用于提取关注对象的检测位置坐标，基于所述检测位置坐标从所述原始图像中获取包含所述关注对象的目标检测图像，包括：获取原始图像，对所述原始图像进行对象检测，获取包含关注对象的第一预测边框，根据所述第一预测边框的第一位置信息，确定检测位置坐标；根据所述检测位置坐标确定第二预测边框，将所述第二预测边框在所述原始图像中所指示的区域，确定为目标检测图像。3.如权利要求2所述的方法，其特征在于，所述根据所述第一预测边框的第一位置信息，确定检测位置坐标，包括：根据所述第一预测边框的第一位置信息，确定所述第一预测边框的边框宽度及边框高度；基于所述边框宽度及边框高度，对所述第一预测边框进行尺寸调整，根据调整后的第一预测边框确定检测位置坐标。4.如权利要求3所述的方法，其特征在于，基于所述边框宽度及边框高度，对所述第一预测边框进行尺寸调整，根据调整后的第一预测边框确定检测位置坐标，包括：根据所述边框宽度与所述边框高度之间的差值及所述第一位置信息，对所述第一预测边框进行尺寸调整，确定第二位置信息及调整后的第一预测边框的调整宽度和调整高度；获取边框扩张系数，基于所述边框扩张系数对所述调整宽度及所述调整高度进行尺寸变换，根据所述第二位置信息及变换后的调整宽度和调整高度，确定检测位置坐标。5.如权利要求1所述的方法，其特征在于，所述获取所述目标检测图像的图像特征，包括：将所述目标检测图像输入数据分类模型中的卷积神经网络，基于所述卷积神经网络中的卷积层对所述目标检测图像进行特征提取，得到所述目标检测图像的图像特征。6.如权利要求1所述的方法，其特征在于，所述对所述检测位置信息进行尺度变换，得到所述目标检测图像的位置特征，包括：获取所述目标检测图像的图像宽度及图像高度，基于所述图像宽度及所述图像高度对所述检测位置坐标进行归一化处理，得到归一化位置坐标；获取视觉总数，基于所述视觉总数对所述视觉标识进行归一化处理，得到归一化视觉标识；
根据所述归一化位置坐标及所述归一化视觉标识，生成感知输入特征，采用数据分类模型中的多层感知器对所述感知输入特征进行尺度变换，得到所述目标检测图像的位置特征。7.如权利要求1所述的方法，其特征在于，所述对所述图像特征及所述位置特征进行特征拼接，得到融合特征，包括：对所述图像特征进行归一化处理，得到归一化图像特征，对所述位置特征进行归一化处理，得到归一化位置特征；对所述归一化图像特征及所述归一化位置特征进行特征拼接，得到融合特征。8.如权利要求1所述的方法，其特征在于，所述基于所述关键特征对所述融合特征进行分类处理，得到所述目标检测图像所属的图像类别，包括：获取数据分类模型的分类器中的尺度因子，基于所述尺度因子对所述融合特征进行尺度变换；所述尺度因子是通过对所述数据分类模型中的所述分类器进行训练得到的；基于所述分类器对尺度变换后的融合特征中所述关键特征对应的特征进行关键识别，基于关键识别结果对所述尺度变换后的融合特征进行分类处理，得到所述目标检测图像所属的图像类别。9.如权利要求1所述的方法，其特征在于，所述基于所述关键特征对所述融合特征进行分类处理，得到所述目标检测图像所属的图像类别，包括：基于所述关键特征对所述融合特征进行分类处理，得到至少两个预测标签及每个预测标签的预测概率值；将具有最大的预测概率值的预测标签，确定为所述目标检测图像所属的图像类别。10.如权利要求1所述的方法，其特征在于，所述方法还包括：若所述图像类别属于图像异常类别，则获取所述图像类别所关联的通讯方式；基于所述通讯方式向终端设备发送物品异常消息，以使所述终端设备基于所述物品异常消息对所述原始图像对应的物品进行检测；所述物品异常消息包括所述图像类别。11.一种数据分类方法，其特征在于，所述方法包括：获取检测图像样本、所述检测图像样本的样本视觉标识、检测样本位置坐标及目标样本标签，根据所述样本视觉标识及所述检测样本位置坐标，确定所述检测图像样本的检测样本位置信息；所述样本视觉标识用于表示所述检测图像样本在所述检测图像样本对应的物品中的视觉角度；采用初始数据分类模型中的初始卷积神经网络，获取所述检测图像样本的样本图像特征，采用所述初始数据分类模型中的初始多层感知器，对所述检测样本位置信息进行尺度变换，得到所述检测图像样本的样本位置特征；对所述样本图像特征及所述样本位置特征进行特征拼接，得到样本融合特征，基于所述样本位置特征确定所述样本图像特征的样本关键特征，基于所述样本关键特征对所述样本融合特征进行分类处理，得到所述检测图像样本所属的图像样本类别；基于所述图像样本类别及所述目标样本标签之间的损失函数，对所述初始数据分类模型进行训练，得到数据分类模型。12.如权利要求11所述的方法，其特征在于，所述基于所述样本关键特征对所述样本融合特征进行分类处理，得到所述检测图像样本所属的图像样本类别，包括：
基于所述样本关键特征对所述样本融合特征进行分类处理，得到至少两个样本标签及每个样本标签的样本预测概率值；所述至少两个样本标签包括所述目标样本标签；将具有最大的样本预测概率值的样本标签，确定为所述检测图像样本所属的图像样本类别。13.如权利要求12所述的方法，其特征在于，所述损失函数包括第一损失函数及第二损失函数；所述基于所述图像样本类别及所述目标样本标签之间的损失函数，对所述初始数据分类模型进行训练，得到数据分类模型，包括：根据所述图像样本类别与所述目标样本标签，生成所述第一损失函数；根据所述目标样本标签生成标签分布函数，根据所述至少两个样本标签及所述每个样本标签的样本预测概率值，生成预测分布函数，根据所述标签分布函数及所述预测分布函数生成所述第二损失函数；根据所述第一损失函数及所述第二损失函数，对所述初始数据分类模型进行训练，得到数据分类模型。14.一种计算机设备，其特征在于，包括处理器、存储器、输入输出接口；所述处理器分别与所述存储器和所述输入输出接口相连，其中，所述输入输出接口用于接收数据及输出数据，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行权利要求1
‑
10任一项所述的方法，或者执行权利要求11
‑
13任一项所述的方法。15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行权利要求1
‑
10任一项所述的方法，或者执行权利要求11
‑
13任一项所述的方法。

技术总结
本申请实施例公开了一种数据分类方法、计算机及可读存储介质，涉及人工智能领域，该方法包括：获取原始图像对应的视觉标识，识别原始图像中用于提取关注对象的检测位置坐标，基于检测位置坐标从原始图像中获取包含关注对象的目标检测图像，根据所述视觉标识及所述检测位置坐标确定用于提取关注对象的检测位置信息；视觉标识用于表示原始图像在关注对象中对应的检测视觉；获取目标检测图像的图像特征，对检测位置信息进行尺度变换，得到目标检测图像的位置特征；对图像特征及位置特征进行特征拼接，得到融合特征，对融合特征进行分类处理，得到目标检测图像所属的图像类别。采用本申请，可以提高对数据识别分类的准确性。可以提高对数据识别分类的准确性。可以提高对数据识别分类的准确性。


技术研发人员：吴涛
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2020.12.21
技术公布日：2021/10/18