图像分类方法、装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术涉及人工智能及数字医疗领域，揭露一种图像分类方法，包括：根据训练图像的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系，构建卷积层及池化层；将所述卷积层及池化层与全连接层进行层间组合，得到待训练图像分类模型；利用所述待训练图像分类模型，对所述训练图像集进行预设次数的降维处理，对降维后的所述训练图像集进行分类操作，得到训练完成的所述图像分类模型；利用训练完成的所述图像分类模型对用户输入的待分类图像执行分类。本发明专利技术还涉及区块链技术，所述训练图像可存储于区块链节点中。本发明专利技术还提出一种基于模型训练的图像分类装置、设备以及存储介质。本发明专利技术可以提高图像分类时的智能化程度及图像分类准确率。像分类准确率。像分类准确率。

【技术实现步骤摘要】
图像分类方法、装置、电子设备及可读存储介质


[0001]本专利技术涉及人工智能领域，尤其涉及一种图像分类方法、装置、电子设备及可读存储介质。

技术介绍

[0002]在众多领域内图像的分类越来越重要，例如，在网上挑选家具时，需对家具图像进行分类以便客户进行选择，提升客户的购物体验。目前常见的图像分类大都是运用图像分类模型对图像进行分类，但是常见图像分类模型，构建的卷积层和池化层并不能满足多数图像的分类要求，导致图像分类准确率降低。

技术实现思路

[0003]本专利技术提供一种图像分类方法、装置、电子设备及计算机可读存储介质，其目的在于提高图像分类时的智能化程度及提升图像分类时的准确率。
[0004]为实现上述目的，本专利技术提供的一种图像分类方法，包括：
[0005]获取训练图像集，提取所述训练图像集中每张训练图像的分辨率，计算所述分辨率的众数，得到众数分辨率，并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系，构建对应层数的卷积层及池化层；
[0006]将所述卷积层及池化层与预设的本文档来自技高网...

【技术保护点】

【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：获取训练图像集，提取所述训练图像集中每张训练图像的分辨率，计算所述分辨率的众数，得到众数分辨率，并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系，构建对应层数的卷积层及池化层；将所述卷积层及池化层与预设的降维层及全连接层进行层间组合，得到待训练图像分类模型；利用所述待训练图像分类模型，对所述训练图像集进行预设次数的降维处理，得到一维训练图像矩阵，并对所述一维训练图像矩阵进行分类操作，得到所述一维训练图像矩阵的分类结果；对所述分类结果进行损失计算，得到训练损失值，并判断所述训练损失值是否大于预设阈值；若所述损失值大于所述预设阈值，则调整所述待训练图像分类模型的模型参数，并返回所述利用所述待训练图像分类模型，对所述训练图像集进行预设次数的降维处理的步骤，直至所述损失值小于或等于预设阈值时，得到训练完成的所述图像分类模型；接收用户输入的待分类图像，利用训练完成的所述图像分类模型对所述待分类图像执行分类，得到所述待分类图像的最终分类结果。2.如权利要求1所述的图像分类方法，其特征在于，所述对所述训练图像集进行预设次数的降维处理，得到一维训练图像矩阵，包括：对所述训练图像集执行预设次数的图像卷积操作及图像池化操作，得到一次降维特征图矩阵集；对所述一次降维特征图矩阵集进行维度转化，得到一维训练图像矩阵。3.如权利要求2所述的图像分类方法，其特征在于，所述对所述训练图像集执行预设次数的图像卷积操作及图像池化操作，得到一次降维特征图矩阵集，包括：设置预设个数的卷积核矩阵；解析所述训练图像集中的训练图像，得到所述训练图像的像素矩阵；利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算，得到特征图矩阵集；对所述特征图矩阵集中的特征图矩阵进行平均区域划分，得到多个相同子区域；提取每个所述子区域内像素值中的最大值，并将所述最大值代替所对应的子区域的像素值，得到一次降维特征图矩阵集。4.如权利要求3所述的图像分类方法，其特征在于，所述解析所述训练图像集中的训练图像，得到所述训练图像的像素矩阵，包括：获取所述训练图像集中的训练图像，对所述训练图像进行高斯模糊处理，得到模糊训练图像；对所述模糊训练图像进行灰度化处理，得到所述训练图像的像素矩阵。5.如权利要求1所述的图像分类方法，其特征在于，所述对所述一维训练图像矩阵进行分类操作，得到所述一维训练图像矩阵的分类结果，包括：利用预设的激活函数对所述一维训练图像矩阵进行计算，得到...

【专利技术属性】
技术研发人员：袁文波，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：