图像分类方法、装置、计算机设备及计算机可读存储介质制造方法及图纸

本公开关于一种图像分类方法、装置、计算机设备及计算机可读存储介质。通过将待分类图像属于各个类别的概率值与概率阈值进行比较，当该概率值小于概率阈值时，将待分类图像的图像特征与多个类别特征进行匹配，确定与该图像特征匹配成功的类别特征，由于类别特征可以用于表示一个类别的图像应具有的特征，因此，可以将所确定的类别特征对应的类别作为该图像所属的类别，在保证分类结果准确率的同时，提高了图像分类任务中的召回率，使得图像分类任务中被正确分类的图像数量大幅增多。

Image Classification Method, Device, Computer Equipment and Computer Readable Storage Media

【技术实现步骤摘要】
图像分类方法、装置、计算机设备及计算机可读存储介质
本公开涉及图像处理
，尤其涉及图像处理方法、装置、计算机设备及计算机可读存储介质。
技术介绍
近来，深度学习在图像分类领域被广泛应用，卷积神经网络作为深度学习的一个重要分支，因其超强的拟合能力，使得图像分类任务在应用卷积神经网络之后，分类结果的准确率大幅提升。目前，在传统图像分类方式中，对于一幅待分类的图像，需将其输入到卷积神经网络模型中，从而获得输入的图像属于各个类别的概率，当图像属于某类别的概率大于预设阈值时，即可认为输入的图像属于该类别。但是由于某些图像类别本身较难区分，为了确保分类结果的准确率，通常会将阈值设置为一个较大的数值，这时分类结果的准确率会有很大的提升，但是召回率就会锐减，即实际被正确分类的图像占应该被正确分类的图像的比率大幅降低，导致最终获得被正确分类的图像数量大大降低。
技术实现思路
本公开提供一种图像分类方法、装置、计算机设备及计算机可读存储介质，以至少解决相关技术中被正确分类的图像数量少的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种图像分类方法，包括：基于分类模型，获取图像的多个概率值，一个概率值用于表示该图像属于一个类别的概率；当该多个概率值均小于概率阈值，获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在该目标特征层所输出特征的平均特征；确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。在一种可能实现方式中，该获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度包括：获取该图像特征和该多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。在一种可能实现方式中，该确定与该图像特征之间的相似度符合目标条件的类别特征包括：将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。在一种可能实现方式中，该获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度之前，该方法还包括：根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。在一种可能实现方式中，该根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征包括：将该分类模型对应的多个类别的样本图像输入该分类模型；获取该样本图像基于该分类模型在目标特征层所输出的样本图像特征；基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征；获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能实现方式中，该确定与该图像特征之间的相似度符合目标条件的类别特征之前，该方法还包括：当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则执行获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。根据本公开实施例的第二方面，提供一种图像分类装置，包括：概率值获取单元，被配置为基于分类模型，获取图像的多个概率值；相似度获取单元，被配置为当该多个概率值均小于概率阈值，获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在该目标特征层所输出特征的平均特征；确定单元，被配置为确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。在一种可能实现方式中，该相似度获取单元被配置为：获取该图像特征和该多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。在一种可能实现方式中，该装置还包括：排序单元，被配置为将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。在一种可能实现方式中，该装置还包括：特征获取单元，被配置为根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。在一种可能实现方式中，该特征获取单元被配置为：将该分类模型对应的多个类别的样本图像输入该分类模型；获取该样本图像基于该分类模型在目标特征层所输出的样本图像特征；基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征；获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能实现方式中，该装置还包括：执行单元，被配置为当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则执行获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。根据本公开实施例的第三方面，提供一种计算机设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述任一项所述的图像分类方法。根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由计算机设备的处理器执行时，使得所述计算机设备能够执行如上述任一项所述的图像分类方法。根据本公开实施例的第五方面，提供一种计算机程序产品，包括可执行指令，当所述计算机程序产品中的指令由计算机设备的处理器执行时，使得所述计算机设备能够执行如上述任一项所述的图像分类方法。本公开的实施例提供的技术方案至少带来以下有益效果：通过将待分类图像属于各个类别的概率值与概率阈值进行比较，当该概率值小于概率阈值时，将待分类图像的图像特征与多个类别特征进行匹配，确定与该图像特征匹配成功的类别特征，由于类别特征可以用于表示一个类别的图像应具有的特征，因此，可以将所确定的类别特征对应的类别作为该图像所属的类别，在保证分类结果准确率的同时，提高了图像分类任务中的召回率，使得图像分类任务中被正确分类的图像数量大幅增多。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。图1是根据一示例性实施例示出的一种图像分类方法的流程图。图2为根据一示例性实施例示出的一种具体图像分类方法的流程图。图3为根据一示例性实施例示出的一种类别特征获取的流程图。图4是根据一示例性实施例示出的一种图像分类装置框图。图5是根据一示例性实施例示出的一种计算机设备的框图。具体实施方式为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的一种图像分类方法的流程图，如图1所示，该数据处理方法用于计算机设备中，包括以下步骤。在步骤10本文档来自技高网...

【技术保护点】
1.一种图像分类方法，其特征在于，所述方法包括：基于分类模型，获取图像的多个概率值，一个概率值用于表示所述图像属于一个类别的概率；当所述多个概率值均小于概率阈值，获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在所述目标特征层所输出特征的平均特征；确定与所述图像特征之间的相似度符合目标条件的类别特征，将所述类别特征对应的类别作为所述图像所属的类别。

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：基于分类模型，获取图像的多个概率值，一个概率值用于表示所述图像属于一个类别的概率；当所述多个概率值均小于概率阈值，获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在所述目标特征层所输出特征的平均特征；确定与所述图像特征之间的相似度符合目标条件的类别特征，将所述类别特征对应的类别作为所述图像所属的类别。2.根据权利要求1所述的方法，其特征在于，所述获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度包括：获取所述图像特征和所述多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。3.根据权利要求2所述的方法，其特征在于，所述确定与所述图像特征之间的相似度符合目标条件的类别特征包括：将获取到的各个距离按数值大小排序，将所述各个距离中最小距离对应的类别特征作为符合所述目标条件的类别特征。4.根据权利要求1所述的方法，其特征在于，所述获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度之前，所述方法还包括：根据所述分类模型和所述分类模型对应的多个类别的样本图像，获取多个类别特征。5.根据权利要求4所述的方法，其特征在于，所述根据所述分类模型和所述分类模型对应的多个类别的样本图像，获取多个类别特征包括：将所述分类模型对应的多个类别的样本图像输入所述分类模型；获取所述样本图像基于所述分类模型在目标特征层所输出的样本图像特征；基于所述样本图像的类别，对所述样本图像特...

【专利技术属性】
技术研发人员：张志伟，刘岸，李铅，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：北京,11