(19)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 202210315075.3 (22)申请日 2022.03.28 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 谭资昌　杨智超　郭国栋　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 鄢功军 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 对象分类方法、 深度学习模型的训练方法、 装置和设备 (57)摘要 本公开提供了一种对象分类方法， 涉及人工 智能技术领域， 尤其涉及深度学习、 图像识别和 计算机视觉技术领域。 具体实现方案为： 根据目 标图像的初始向量特征图， 得到局部特征图和全 局特征图； 根据局部特征图和全局特征图， 得到 融合特征图； 以及根据融合特征图， 对目标图像 中的目标对象进行分类， 得到分类结果。 本公开 还提供了一种对象分类方法、 深度学习模型的训 练方法、 装置、 电子设备和存 储介质。 权利要求书3页 说明书12页 附图7页 CN 114663952 A 2022.06.24 CN 114663952 A 1.一种对象分类方法， 包括： 根据目标图像的初始向量特 征图， 得到局部特 征图和全局特 征图； 根据所述局部特 征图和所述全局特 征图， 得到融合特 征图； 以及 根据所述融合特 征图， 对所述目标图像中的目标对象进行分类， 得到分类结果。 2.根据权利要求1所述的方法， 其中， 所述根据目标图像的初始向量特征图， 得到局部 特征图和全局特 征图包括： 对所述初始向量特 征图执行卷积操作， 得到所述局部特 征图。 3.根据权利要求1所述的方法， 其中， 所述根据目标图像的初始向量特征图， 得到局部 特征图和全局特 征图包括： 对所述初始向量特 征图执行第1级卷积 操作， 得到第1级局部特 征图； 对所述初始向量特 征图执行第1级特 征提取操作， 得到第1级全局特 征图； 所述根据所述局部特 征图和所述全局特 征图， 得到融合特 征图包括： 根据所述第1级局部特 征图和所述第1级全局特 征图， 得到第1级融合特 征图。 4.根据权利要求3所述的方法， 其中， 所述根据目标图像的初始向量特征图， 得到局部 特征图和全局特 征图还包括： 对第n‑1级局部特征图执行第n级卷积操作， 得到第n级局部特征图， 其中， n为大于1的 整数； 对第n‑1级融合特 征图执行第n级特 征提取操作， 得到第n级全局特 征图； 所述根据所述局部特 征图和所述全局特 征图， 得到融合特 征图包括： 根据所述第n级局部特 征图和所述第n级全局特 征图， 得到第n级融合特 征图。 5.根据权利要求1至4任一项所述的方法， 其中， 所述根据所述局部特征图和所述全局 特征图， 得到融合特 征图包括： 将所述局部特 征图与所述全局特 征图相拼接， 得到拼接特 征图； 根据所述全局特 征图， 得到多个第一特 征； 根据所述 拼接特征图， 得到多个第二特 征和多个第三特 征； 根据所述多个第 一特征、 所述多个第 二特征和所述多个第 三特征， 得到注意力特征； 以 及 根据所述注意力特 征和所述 拼接特征图， 得到所述融合特 征图。 6.根据权利要求1所述的方法， 其中， 所述目标对象包括面部， 所述分类结果包括真实 面部和伪造面部 。 7.一种深度学习模型的训练方法， 包括： 根据样本图像的初始向量特 征图， 得到局部特 征图和全局特 征图； 根据所述局部特 征图和所述全局特 征图， 得到融合特 征图； 根据所述融合特 征图， 对所述样本图像中的样本对象进行分类， 得到分类结果； 以及 根据所述分类结果与 所述样本图像的标签之间的差异值， 对所述深度 学习模型进行训 练。 8.根据权利要求7所述的方法， 其中， 所述深度学习模型包括级联的N级卷积模块以及 级联的N级特征融合模块， N为大于1的整数； 所述根据样本图像的初始向量特征图， 得到局 部特征图和全局特 征图包括：权　利　要　求　书 1/3 页 2 CN 114663952 A 2利用第n级卷积模块， 对第n ‑1级卷积模块输出的第n ‑1级局部特征图进行卷积， 得到第 n级局部特 征图， n为大于1的整数， 且n 为小于或等于N的整数； 以及 利用第n级特征融合模块对第n ‑1级特征融合模块输出的第n ‑1级融合特征图进行处 理， 得到第n级融合特 征图。 9.根据权利要求8所述的方法， 其中， 第1级局部特征图是利用第1级卷积模块对所述初 始向量特征图进行卷积得到的； 以及第1级融合特征图是利用第1级 特征融合模块对所述初 始向量特 征图进行处 理得到的。 10.根据权利要求8 或9所述的方法， 其中， 所述特征融合模块包括特征提取子模块和特 征融合子模块； 所述利用第n级特征融合模块对第n ‑1级特征融合模块输出的第n ‑1级融合 特征图进行处 理， 得到第n级融合特 征图包括： 将所述第n ‑1级融合特 征图输入第n级特 征提取子模块， 得到第n级全局特 征图； 以及 将所述第n级局部特征图和所述第n级全局特征图输入第n级特征融合子模块， 得到所 述第n级融合特 征图。 11.根据权利要求10所述的方法， 其中， 第1级全局特征图是利用第1级特征提取子模块 对所述初始向量特 征图进行处 理得到的。 12.根据权利要求10所述的方法， 其中， 所述将所述第 n级局部特征图和所述第 n级全局 特征图输入第n级特 征融合子模块， 得到所述第n级融合特 征图包括： 将所述第n级局部特 征图和所述第n级全局特 征图相拼接， 得到第n级拼接特 征图； 根据所述第n级全局特 征图， 得到多个第n级第一特 征； 根据所述第n级拼接特 征图， 得到多个第n级第二特 征和多个第n级第三特 征； 根据所述多个第 n级第一特征、 所述多个第n级第 二特征和所述多个第n级第三特征， 得 到第n级注意力特 征； 以及 根据所述第n级注意力特 征和所述第n级拼接特 征图， 得到所述第n级融合特 征图。 13.根据权利要求8至12任一项所述的方法， 其中， 所述根据所述分类结果与样本 图像 的标签之间的差异值， 对所述深度学习模型进行训练包括： 确定所述分类结果与所述样本图像的标签之间的差异值； 以及 调整所述 N级卷积模块的参数和所述 N级特征融合模块的参数， 使得 所述差异值收敛。 14.一种对象分类装置， 包括： 第一获得模块， 用于根据目标图像的初始向量特 征图， 得到局部特 征图和全局特 征图； 第二获得模块， 用于根据所述局部特 征图和所述全局特 征图， 得到融合特 征图； 以及 第一分类模块， 用于根据 所述融合特征图， 对所述目标图像中的目标对象进行分类， 得 到分类结果。 15.一种深度学习模型的训练装置， 包括： 第三获得模块， 用于根据样本图像的初始向量特 征图， 得到局部特 征图和全局特 征图； 第四获得模块， 用于根据所述局部特 征图和所述全局特 征图， 得到融合特 征图； 第二分类模块， 用于根据 所述融合特征图， 对所述样本图像中的样本对象进行分类， 得 到分类结果； 以及 训练模块， 用于根据所述分类结果与所述样本 图像的标签之间的差异值， 对所述深度 学习模型进行训练。权　利　要　求　书 2/3 页 3 CN 114663952 A 3