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ShuffleNet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