本公开提供了提高图像分类准确性的方法、装置、电子设备及存储介质，涉及深度学习及计算机视觉等人工智能领域，其中的方法可包括：获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对图像进行分类，得到包括至少一个类别的分类结果；获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果；当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对该类别对应的阈值参数进行调整。应用本公开所述方案，可提升分类结果的准确性及实现针对不同用户的个性化处理等。确性及实现针对不同用户的个性化处理等。确性及实现针对不同用户的个性化处理等。
【技术实现步骤摘要】
提高图像分类准确性的方法、装置、电子设备及存储介质
[0001]本公开涉及人工智能
，特别涉及深度学习及计算机视觉等领域。
技术介绍
[0002]在利用图像分类模型进行图像分类时，针对用户输入的图像，可通过模型输出图像分别属于不同类别的概率，之后可将不同的概率分别与对应类别的阈值参数进行比较，若大于阈值参数，则可确定属于该类别。
[0003]其中，在利用训练集训练得到图像分类模型，即确定出模型参数后，可通过验证集来确定出每个类别的阈值参数，所述阈值参数适用于所有的用户。
[0004]但是，验证集的数据分布与真实的用户的数据分布很难保持一致，如对于“猫”这一类别，验证集中的图像很难覆盖所有真实场景中的猫，从而降低了确定出的阈值参数的准确性，进而降低了分类结果的准确性，而且，不同用户的数据分布也不一致，无法实现针对不同用户的个性化处理等。
技术实现思路
[0005]本公开提供了提高图像分类准确性的方法、装置、电子设备及存储介质。
[0006]一种提高图像分类准确性的方法，包括：
[0007]获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对所述图像进行分类，得到包括至少一个类别的分类结果；
[0008]获取所述第一用户针对所述分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果；
[0009]当针对任一类别获取到的所述第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对所述类别对应的阈值参数进行调整。
[0010]一种提高图像分类准确性的装置，包括：分类模块、获取模块以及调整模块；
[0011]所述分类模块，用于获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对所述图像进行分类，得到包括至少一个类别的分类结果；
[0012]所述获取模块，用于获取所述第一用户针对所述分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果；
[0013]所述调整模块，用于当针对任一类别获取到的所述第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对所述类别对应的阈值参数进行调整。
[0014]一种电子设备，包括：
[0015]至少一个处理器；以及
[0016]与所述至少一个处理器通信连接的存储器；其中，
[0017]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
[0018]一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
[0019]一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。
[0020]上述公开中的一个实施例具有如下优点或有益效果：可通过与用户进行交互，根据用户的反馈结果对任一类别对应的阈值参数进行调整，即优化，从而提升了分类结果的准确性，而且，以用户为调整粒度，对用户对应的阈值参数进行调整，从而实现了针对不同用户的个性化处理等。
[0021]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0023]图1为本公开所述提高图像分类准确性的方法第一实施例的流程图；
[0024]图2为本公开所述提高图像分类准确性的方法第二实施例的流程图；
[0025]图3为本公开所述提高图像分类准确性的装置实施例300的组成结构示意图；
[0026]图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。
具体实施方式
[0027]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0028]另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0029]图1为本公开所述提高图像分类准确性的方法第一实施例的流程图。如图1所述，包括以下具体实现方式。
[0030]在步骤101中，获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对该图像进行分类，得到包括至少一个类别的分类结果。
[0031]在步骤102中，获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果。
[0032]在步骤103中，当针对任一类别获取到的第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对该类别对应的阈值参数进行调整。
[0033]可以看出，上述方法实施例所述方案中，可通过与用户进行交互，根据用户的反馈结果对任一类别对应的阈值参数进行调整，即优化，从而提升了分类结果的准确性，而且，以用户为调整粒度，对用户对应的阈值参数进行调整，从而实现了针对不同用户的个性化处理等。
[0034]图像分类模型可为预先训练得到的，即可利用训练集(即训练数据)预先训练得到
图像分类模型，确定出模型参数，之后，可通过验证集来确定出每个类别对应的阈值参数，所述阈值参数适用于所有的用户。
[0035]在此基础上，针对任一用户，可分别按照本公开所述方式进行处理。为便于表述，将“任一用户”称为第一用户。
[0036]针对第一用户输入的任一图像，可首先利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对该图像进行分类，从而得到包括至少一个类别的分类结果。
[0037]比如，假设共包括10个类别，分别为类别a～类别j，利用图像分类模型，可分别得到图像属于类别a～类别j的概率，之后，可将属于类别a的概率与类别a对应的阈值参数进行比较，将属于类别b的概率与类别b对应的阈值参数进行比较，将属于类别c的概率与类别c对应的阈值参数进行比较，依次类推，假设属于类别b的概率大于类别b对应的阈值参数，那么则可确定图像属于类别b，即分类结果中包括类别b，假设属于类别b的概率大于类别b对应的阈值参数，并且，属于类别c的概率大于类别c对应的阈值参数，那么则可确定图像属于类别b和类别c，即分类结果中包括类别b和类别c。
[0038]之后，可获取第一用户针对分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果，其中，正向反馈结果指分类本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种提高图像分类准确性的方法，包括：获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对所述图像进行分类，得到包括至少一个类别的分类结果；获取所述第一用户针对所述分类结果中的任一类别的反馈结果，所述反馈结果为正向或负向反馈结果；当针对任一类别获取到的所述第一用户的反馈结果的数量达到M时，M为大于一的正整数，根据M个反馈结果对所述类别对应的阈值参数进行调整。2.根据权利要求1所述的方法，其中，所述获取所述第一用户针对所述分类结果中的任一类别的反馈结果包括：针对所述分类结果，生成并展示交互界面，通过所述交互界面获取所述反馈结果。3.根据权利要求1或2所述的方法，其中，所述根据M个反馈结果对所述类别对应的阈值参数进行调整包括：利用M个反馈结果对应的图像构建验证集；根据所述验证集对所述类别对应的阈值参数进行调整。4.根据权利要求3所述的方法，其中，所述根据所述验证集对所述类别对应的阈值参数进行调整包括：遍历所述阈值参数的所有可能的取值，针对遍历到的每个取值，分别进行以下处理：确定出按照所述取值对所述验证集中的图像进行图像分类时、所述类别对应的精确率和召回率，根据所述精确率和所述召回率确定出均衡平均数F1
‑
score；将F1
‑
score最大时对应的取值作为调整后的所述阈值参数的取值。5.根据权利要求3所述的方法，其中，所述根据所述验证集对所述类别对应的阈值参数进行调整包括：确定出当所述类别对应的精确率或召回率为预定值时，对所述验证集中的图像进行图像分类所用的所述阈值参数的取值，将所述取值作为调整后的所述阈值参数的取值。6.一种提高图像分类准确性的装置，包括：分类模块、获取模块以及调整模块；所述分类模块，用于获取第一用户输入的图像，利用预先训练得到的图像分类模型及预先确定的各类别对应的阈值参数对所述图像进行分类，得到包括至少一个类别的分类结果；所述获取模块，用于...
【专利技术属性】
技术研发人员：姚海，陈圣奇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。