图像分类方法、装置、存储介质及电子设备制造方法及图纸

本申请实施例公开了一种图像分类方法、装置、存储介质及电子设备，其中，本申请首先确定需要进行图像分类的目标图像，然后调用预训练的图像分类模型，该图像分类模型包括特征提取模块和分类模块，其中特征提取模块包括依次连接的多个ShuffleNet v2单元，ShuffleNet v2单元采用Leaky ReLu函数作为激活函数，利用基于多个ShuffleNet v2单元逐层对目标图像进行特征提取，得到目标图像的图像特征，最后基于分类模块对图像特征进行分类预测，得到目标图像的预测类别。相较于相关技术，无需用户手动对电子设备上的图像进行分类，能够有效提高电子设备进行图像分类的效率。

Image classification method, device, storage medium and electronic equipment

【技术实现步骤摘要】
图像分类方法、装置、存储介质及电子设备
本申请涉及图像处理
，具体涉及一种模型训练方法、图像分类方法、装置、介质及电子设备。
技术介绍
目前，用户可以将大量的图像(比如拍摄得到的图像，从网络下载的图像等)存储在如手机、平板电脑等电子设备上，从而可以随时随地的进行浏览。为了便于准确的查找到的需要浏览的目标图像，相关技术可由用户对电子设备上的图像进行手动分类，从而在需要时依类查找目标图像。然而，随着电子设备中图像数量的不断增加，传统的手动分类方法将无法有效的对图像进行分类管理。
技术实现思路
本申请实施例提供了一种图像分类方法、装置、存储介质及电子设备，能够提高电子设备进行图像分类的效率。本申请实施例提供的图像分类方法，包括：确定需要进行图像分类的目标图像；调用预训练的图像分类模型，所述图像分类模型包括特征提取模块和分类模块，所述特征提取模块包括依次连接的多个ShuffleNetv2单元，所述ShuffleNetv2单元采用LeakyReLu函数作为激活函数；基于所述多个ShuffleNetv2单元逐层对所述目标图像进行特征提取，得到所述目标图像的图像特征；基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别。本申请实施例提供的图像分类装置，包括：图像确定组件，用于确定需要进行图像分类的目标图像；模型调用组件，用于调用预训练的图像分类模型，所述图像分类模型包括特征提取模块和分类模块，所述特征提取模块包括依次连接的多个ShuffleNetv2单元，所述ShuffleNetv2单元采用LeakyReLu函数作为激活函数；特征提取组件，用于基于所述多个ShuffleNetv2单元逐层对所述目标图像进行特征提取，得到所述目标图像的图像特征；图像分类组件，用于基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别。本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序被处理器加载时执行如本申请提供的图像分类方法。本申请实施例提供的电子设备，包括处理器和存储器，所述存储器存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如本申请提供的图像分类方法。本申请首先确定需要进行图像分类的目标图像，然后调用预训练的图像分类模型，该图像分类模型包括特征提取模块和分类模块，其中特征提取模块包括依次连接的多个ShuffleNetv2单元，ShuffleNetv2单元采用LeakyReLu函数作为激活函数，利用基于多个ShuffleNetv2单元逐层对目标图像进行特征提取，得到目标图像的图像特征，最后基于分类模块对图像特征进行分类预测，得到目标图像的预测类别。相较于相关技术，无需用户手动对电子设备上的图像进行分类，能够有效提高电子设备进行图像分类的效率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的图像分类方法的流程示意图。图2是本申请实施例中触发进行图像分类的示例图。图3是本申请实施例提供的图像分类模型的一结构示意图。图4是本申请实施例提供的图像分类模型的另一结构示意图。图5是本申请实施例中显示不同图像类别的文件夹的示例图。图6是本申请实施例中获取样本图像的示意图。图7是本申请实施例中训练得到图像分类模型的示意图。图8是本申请实施例提供的模型训练方法的流程示意图。图9是本申请实施例提供的图像分类装置的结构示意图。图10是本申请实施例提供的电子设备的一结构示意图。具体实施方式请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是通过所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。本申请实施例提供的方案涉及人工智能的机器学习技术，具体通过如下实施例进行说明:本申请实施例提供一种图像分类方法、图像分类装置、存储介质以及电子设备，其中，该图像分类方法的执行主体可以是本申请实施例中提供的图像分类装置，或者集成了该图像分类装置的电子设备，其中该图像分类装置可以采用硬件或软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等配置有处理器(包括但不限于通用处理器、定制化处理器等)而具有处理能力的设备。请参照图1，图1为本申请实施例提供的图像分类方法的流程示意图，该图像分类方法的流程可以如下：在101中，确定需要进行图像分类的目标图像。本申请实施例中，电子设备可以基于预设的图像分类周期，按照预设的图像选取规则，确定需要进行图像分类的目标图像，或者是在接收到用户输入的图像分类指令时，根据用户输入的图像分类指令确定需要进行图像分类的目标图像，等等。需要说明的是，本申请实施例对于图像分类周期、图像选取规则以及图像分类操作的设置均不做具体限定，可由电子设备根据用户输入进行设置，也可由电子设备的生产厂商对电子设备进行缺省设置，等等。比如，假设图像分类周期被预先配置为以周一为起点的自然周，且图像选取规则被配置为“选取拍摄的图像进行图像分类”这样，电子设备可以在每周一自动触发进行图像分类，将拍摄得到的图像确定为需要进行图像分类的目标图像。又比如，请参照图2，电子设备本文档来自技高网...

【技术保护点】
1.一种图像分类方法，其特征在于，包括：/n确定需要进行图像分类的目标图像；/n调用预训练的图像分类模型，所述图像分类模型包括特征提取模块和分类模块，所述特征提取模块包括依次连接的多个ShuffleNet v2单元，所述ShuffleNet v2单元采用Leaky ReLu函数作为激活函数；/n基于所述多个ShuffleNet v2单元逐层对所述目标图像进行特征提取，得到所述目标图像的图像特征；/n基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别。/n

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：
确定需要进行图像分类的目标图像；
调用预训练的图像分类模型，所述图像分类模型包括特征提取模块和分类模块，所述特征提取模块包括依次连接的多个ShuffleNetv2单元，所述ShuffleNetv2单元采用LeakyReLu函数作为激活函数；
基于所述多个ShuffleNetv2单元逐层对所述目标图像进行特征提取，得到所述目标图像的图像特征；
基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别。


2.根据权利要求1所述的图像分类方法，其特征在于，所述确定需要进行图像分类的目标图像，包括：
当到达图像分类周期时，将所述图像分类周期内新增的图像作为所述目标图像。


3.根据权利要求1所述的图像分类方法，其特征在于，所述图像分类模型还包括降维模块，所述基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别之前，还包括：
基于所述降维模块对所述图像特征进行特征降维，得到降维后的图像特征；
所述基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别，包括：
基于所述分类模块对所述降维后的图像特征进行分类预测，得到所述目标图像的预测类别。


4.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述分类模块对所述图像特征进行分类预测，得到所述目标图像的预测类别之后，还包括：
根据所述预测类别为所述目标图像分配存储路径，并将所述目标图像存储至所述储存路径中。


5.根据权利要求1所述的图像分类方法，其特征在于，所述确定需要进行图像分类的目标图像之前，还包括：
调用TensorFlow框架，基于所述TensorFlow框架构建所述图像分类模型；
获取样本图像...

【专利技术属性】
技术研发人员：孙莹莹，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44