一种图像分类模型的处理方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种图像分类模型的处理方法，包括：将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本；对映射后的源域图像样本和映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间；将源域子空间和目标域子空间中的样本对齐，确定特征空间中源域与目标域之间的分布差异化满足预设最小差异条件时的降维后的源域图像样本；对降维后的源域图像样本中各类别样本进行加权处理，得到对齐加权后的源域图像样本；将对齐加权后的源域图像样本及对应的标签信息，应用于对目标域中新图像样本进行分类的模型。本发明专利技术还公开了一种图像分类模型的处理装置及存储介质。

【技术实现步骤摘要】
一种图像分类模型的处理方法、装置及存储介质
本专利技术涉及计算机领域中的图像识别技术，尤其涉及一种图像分类模型的处理方法、装置及存储介质。
技术介绍
目前，在常规机器学习中有一个重要假设，即源域的样本数据(也称为训练数据)与目标域的样本数据(也称为测试数据)具有相同的分布。然而在很多实际应用中，这一假设往往不成立。因此，应用传统的图像识别方法训练出的图像分类模型的识别效果远不能达到人们的期望。实际上，当源域的样本数据与目标域的样本数据不能满足相同分布的条件时，可以采用领域自适应方法如非监督领域自适应方法对图像样本进行分类。目前，在相关技术中，常用的领域自适应方法主要包括测地流方法和子空间对齐(SA，SubspaceAlignment)方法。然而，测地流方法对图像样本进行分类时，存在以下缺陷：1)由于需要计算大量的中间子空间，导致算法复杂度很高；2)该方法最终得到的最优解是局部最优解，而不是全局最优解。相比于测地流方法，SA方法虽然在样本识别准确率方面有了提高，但仍存在如下不足：该方法认为图像样本在原始空间中线性可分，然而在实际应用中，图像样本在原始空间中往往并不满足线性可分的条件，从而对分类结果产生影响，降低图像分类模型的分类精度。并且，该方法还认为源域中所有图像样本的地位相同，即对源域中所有图像样本进行同等对待，然而在实际场景中，经常会出现源域图像样本与目标域图像样本的类别不平衡的现象。如图1所示，图1(a)为源域图像样本中的各类别图像的示意图，图1(b)为目标域图像样本中的各类别图像的示意图，通过对比图1(a)和图1(b)可见，源域和目标域中每类样本对应的数目，比如源域图像样本中的三角形个数与目标域图像样本中的三角形个数不均衡，从而导致图像识别准确度降低，使得模型训练学习的效果无法达到预期结果。针对上述技术问题，相关技术尚未提出有效解决方案。
技术实现思路
有鉴于此，本专利技术实施例期望提供一种图像分类模型的处理方法、装置及存储介质，至少用以解决相关技术中难以有效提高图像分类模型准确度的问题。为达到上述目的，本专利技术实施例的技术方案是这样实现的：第一方面，本专利技术实施例提供一种图像分类模型的处理方法，所述方法包括：将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本；其中，所述特征空间为具有样本线性划分功能的空间，所述特征空间的维数远大于所述原始空间的维数；分别对所述映射后的源域图像样本和所述映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间；将所述源域子空间和所述目标域子空间中的样本对齐，确定所述特征空间中源域与目标域之间的分布差异化满足预设最小差异条件时的降维后的源域图像样本；对所述降维后的源域图像样本中各类别样本进行加权处理，得到对齐加权后的源域图像样本；将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型。第二方面，本专利技术实施例还提供一种图像分类模型的处理装置，所述装置包括：映射模块、降维模块、对齐模块、加权模块和应用模块；其中，所述映射模块，用于将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本；其中，所述特征空间为具有样本线性划分功能的空间，所述特征空间的维数远大于所述原始空间的维数；所述降维模块，用于分别对所述映射后的源域图像样本和所述映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间；所述对齐模块，用于将所述源域子空间和所述目标域子空间中的样本对齐，确定所述特征空间中源域与目标域之间的分布差异化满足预设最小差异条件时的降维后的源域图像样本；所述加权模块，用于对所述降维后的源域图像样本中各类别样本进行加权处理，得到对齐加权后的源域图像样本；所述应用模块，用于将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型。第三方面，本专利技术实施例还提供一种存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现本专利技术实施例提供的图像分类模型的处理方法的步骤。第四方面，本专利技术实施例还提供一种图像分类模型的处理装置，包括存储器、处理器及存储在存储器上并能够由所述处理器运行的可执行程序，所述处理器运行所述可执行程序时执行本专利技术实施例提供的图像分类模型的处理方法的步骤。本专利技术实施例所提供的图像分类模型的处理方法、装置及存储介质，通过先将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本，再分别对所述映射后的源域图像样本和所述映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间，将所述源域子空间和所述目标域子空间中的样本对齐，确定所述特征空间中源域与目标域之间的分布差异化满足预设最小差异条件时的降维后的源域图像样本，并对降维后的源域图像样本中各类别样本进行加权处理，得到对齐加权后的源域图像样本，最后，将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型。如此，由于源域图像样本和目标域图像样本映射到的特征空间为线性可分的高维空间，使得源域子空间和目标域子空间没有显示表达；在对齐源域子空间和目标域子空间中的样本后，对降维后的源域图像样本中各类别样本进行加权处理，可以减小由于源域图像样本的类别与目标域图像样本的类别不平衡而对图像分类模型的准确度所带来的影响；并且，采用上述构建的图像分类模型对待识别的目标域新图像样本进行分类识别，使得训练的分类器可以更加鲁棒，能够得到很好的识别结果，从而提高图像识别的准确度。附图说明图1(a)为源域图像样本中的各类别图像的示意图；图1(b)为目标域图像样本中的各类别图像的示意图；图2本专利技术实施例提供的图像分类模型的处理方法的一个可选的实现流程示意图；图3为本专利技术实施例提供的图像分类模型的处理方法的另一个可选的实现流程示意图；图4为本专利技术实施例提供的图像分类模型的处理装置的一个可选的功能结构示意图；图5为本专利技术实施例提供的图像分类模型的处理装置的另一个可选的功能结构示意图；图6为本专利技术实施例提供的图像分类模型的处理装置的一个可选的硬件结构示意图。具体实施方式为了能够更加详尽地了解本专利技术实施例的特点与
技术实现思路
，下面结合附图对本专利技术实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本专利技术。图2为本专利技术实施例提供的图像分类模型的处理方法的一个可选的实现流程示意图，所述图像分类模型的处理方法可应用于服务器或终端设备中；如图2所示，本专利技术实施例中的图像分类模型的处理方法的实现流程，可以包括以下步骤：步骤201：将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本。本专利技术实施例中，对于本步骤201中的将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间来说，可以采用以下方式实现：基于核映射函数，将所述原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间中；其中，所述核映射函数包括高斯核函数。这里，所述特征空间为具有样本线性划分功能本文档来自技高网...

【技术保护点】
1.一种图像分类模型的处理方法，其特征在于，所述方法包括：将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本；其中，所述特征空间为具有样本线性划分功能的空间，所述特征空间的维数远大于所述原始空间的维数；分别对所述映射后的源域图像样本和所述映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间；将所述源域子空间和所述目标域子空间中的样本对齐，确定所述特征空间中源域与目标域之间的分布差异化满足预设最小差异条件时的降维后的源域图像样本；对所述降维后的源域图像样本中各类别样本进行加权处理，得到对齐加权后的源域图像样本；将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型。

【技术特征摘要】
1.一种图像分类模型的处理方法，其特征在于，所述方法包括：将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，对应得到映射后的源域图像样本和映射后的目标域图像样本；其中，所述特征空间为具有样本线性划分功能的空间，所述特征空间的维数远大于所述原始空间的维数；分别对所述映射后的源域图像样本和所述映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间；将所述源域子空间和所述目标域子空间中的样本对齐，确定所述特征空间中源域与目标域之间的分布差异化满足预设最小差异条件时的降维后的源域图像样本；对所述降维后的源域图像样本中各类别样本进行加权处理，得到对齐加权后的源域图像样本；将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型。2.根据权利要求1所述的图像分类模型的处理方法，其特征在于，在所述将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型之前，所述方法还包括：对所述目标域中新图像样本进行降维，得到降维后的目标域新图像样本；所述将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述目标域中新图像样本进行分类的模型，包括：将所述对齐加权后的源域图像样本以及对应的标签信息，应用于对所述降维后的目标域新图像样本进行分类的模型。3.根据权利要求2所述的图像分类模型的处理方法，其特征在于，所述对所述目标域中新图像样本进行降维，得到降维后的目标域新图像样本，包括：将所述目标域中新图像样本映射到所述特征空间中，得到映射后的目标域新图像样本；对所述映射后的目标域新图像样本进行降维，得到所述降维后的目标域新图像样本。4.根据权利要求1所述的图像分类模型的处理方法，其特征在于，所述将原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间，包括：基于核映射函数，将所述原始空间中的源域图像样本和目标域图像样本分别映射到同一特征空间中；其中，所述核映射函数包括高斯核函数。5.根据权利要求1所述的图像分类模型的处理方法，其特征在于，所述分别对所述映射后的源域图像样本和所述映射后的目标域图像样本进行降维，对应得到源域子空间和目标域子空间，包括：确定所述映射后的源域图像样本在第一投影空间对应的第一投影矩阵，以及确定所述映射后的目标域图像样本在第二投影空间对应的第二投影矩阵；基于所述第一投影矩阵，从所述源域图像样本中提取预设维数的第一图像特征，根据所述预设维数的第一图像特征确定所述源域子空间；基于所述第二投影矩阵，从所述目标域图像样本中提取所述预设维数的第二图像特征，根据所述预设维数的第二图像特征确定所述目标域子空间；其中，所述预设维数小于提取图像特征前对应的维数。6.根据权利要求1所述的图像分类模型的处理方法，其...

【专利技术属性】
技术研发人员：许明微，李琳，吴耀华，
申请(专利权)人：咪咕文化科技有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：北京,11