样本图像处理方法、装置、电子设备及计算机存储介质制造方法及图纸

本公开实施例涉及图像处理技术领域，公开了一种样本图像处理方法、装置、电子设备及计算机存储介质，其中，样本图像处理方法包括：获取预定数量的属于预定图像类别的样本图像；接着，确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；接着，针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。本公开实施例的方法，不仅能够高效地对噪声样本图像进行筛选与清理，极大减少筛选图像噪声样本图像所耗费的人力成本，而且利于训练基于卷积神经网络的分类模型，便于提高分类模型的分类准确性。

【技术实现步骤摘要】
样本图像处理方法、装置、电子设备及计算机存储介质
本公开实施例涉及图像处理
，具体而言，本公开涉及一种样本图像处理方法、装置、电子设备及计算机存储介质。
技术介绍
近年来，深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得图像分类任务在应用卷积神经网络之后，预测精度大幅提升。其中，在通过基于卷积神经网络的分类模型进行图像分类的过程中，首先需要获取大量的样本图像，来对基于卷积神经网络的分类模型进行训练，接着再使用训练后的分类模型对待分类的图像的进行图像分类。通常，可以从一些图像网站或摄影网站中获取上传者上传的各种图像类别的各种图像作为样本图像。其中，上传者在上传图像时会根据图像网站的要求，为待上传的图像设定相应的图像类别，即对待上传的图像做简单分类，比如在上传图像的过程中，先确定待上传图像的图像类别，并将待上传的图像上传到确定出的图像类别中。然而，本公开的专利技术人在具体实施过程中，发现：上传者在上传图像时，存在不严格本文档来自技高网...

【技术保护点】
1.一种样本图像处理方法，其特征在于，包括：/n获取预定数量的属于预定图像类别的样本图像；/n确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；/n针对每一样本图像，当基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像时，滤除所述每一样本图像。/n

【技术特征摘要】
1.一种样本图像处理方法，其特征在于，包括：
获取预定数量的属于预定图像类别的样本图像；
确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；
针对每一样本图像，当基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像时，滤除所述每一样本图像。


2.根据权利要求1所述的方法，其特征在于，基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像，包括：
确定所述每一样本图像的目标图像类别与所述预定图像类别是否相同；
若所述目标图像类别与所述预定图像类别不相同，则确定所述每一样本图像为噪声样本图像。


3.根据权利要求1所述的方法，其特征在于，在确定各样本图像分别对应的目标图像类别之后，还包括：
确定各样本图像对应于各自对应的目标图像类别的参考信息，所述参考信息包括置信度值或第一概率值；
基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像，包括：
基于所述预定图像类别、所述每一样本图像的目标图像类别与所述每一样本图像对应于目标图像类别的参考信息，确定所述每一样本图像为噪声样本图像。


4.根据权利要求3所述的方法，其特征在于，当所述参考信息包括置信度值时，基于所述预定图像类别、所述每一样本图像的目标图像类别与所述每一样本图像对应于目标图像类别的参考信息，确定所述每一样本图像为噪声样本图像，包括：
确定所述每一样本图像的目标图像类别与所述预定图像类别是否相同；
若所述目标图像类别与所述预定图像类别不相同，确定所述置信度值是否大于或等于预定阈值；
若所述置信度值大于或等于预定阈值，确定所述每一样本图像为噪声样本图像。


5.根据权利要求3所述的方法，其特征在于，所述确定各样本图像分别对应的各图像特征，根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别和各样本图像对应于各自对应的目标图像类别的参考信息是通过初步训练后的第一分类模型实现的；
当所述参考信息包括第一概率值时，在基于所述预定图像类别、所述每一样本图像的目标图像类别与所述每一样本图像对应于目标图像类别的参考信息，确定所述每一样本图像...

【专利技术属性】
技术研发人员：郭冠军，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11