图像分类的方法、装置、电子设备及介质制造方法及图纸

本申请公开了一种图像分类的方法、装置、电子设备及介质。通过应用本申请的技术方案，可以根据训练图像的初始类别分数自动地计算出适合初始分布的类别平滑度参数，从而得到一个合适的类别分布以计算模型损失值。从而更好地平衡图像类别间的区分性能和模型的泛化性能，进而提高分类模型识别图像类别的准确率。进而避免相关技术中存在的，所有训练图像都采用相同的类别平滑度参数所导致的模型分类准确性不高的问题。确性不高的问题。确性不高的问题。

【技术实现步骤摘要】
图像分类的方法、装置、电子设备及介质


[0001]本申请中涉及数据处理技术，尤其是一种图像分类的方法、装置、电子设备及介质。

技术介绍

[0002]图像分类是一种根据图像信息中的不同特征，把图像归为不同类别的算法。图像分类算法的输入为一张图像，输出为类别集合中的某个类别。目前，基于深度神经网络的图像分类算法得到了广泛的关注和研究。神经网络的损失函数利用网络输出的类别分数和真实的类别分布计算出损失值，并通过优化器迭代优化损失值。类别分数的平滑程度对模型的准确度有着较大的影响。类别分数越平滑，模型对不同类别的区分度越低。类别分数越不平滑，模型对不同类别的区分度越高，然而容易导致模型过拟合。因此，把类别分数控制在一个合适的平滑程度对于模型的准确性有着重要的作用。
[0003]现有基于深度神经网络的图像分类算法在训练过程中通常对所有训练图像使用唯一固定的类别平滑度参数来控制输出的类别分数的平滑度。这种方法不考虑输出类别分数的原始分布，可能会导致最终的类别分数的分布过于尖锐或者过于平滑，不利于训练出一个准确性高的分类模型。

技术实现思路

[0004]本申请实施例提供一种图像分类的方法、装置、电子设备及介质。用以解决相关技术中存在的，在训练过程中对所有图像都采用相同的类别平滑度参数，从而不利于训练出一个准确度高的分类模型的问题。
[0005]其中，根据本申请实施例的一个方面，提供的一种图像分类的方法，包括：获取待分类图像；将所述待分类图像输入预先训练生成的图像分类模型中，其中，所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成；输出所述待分类图像对应的至少两个初始类别分数，其中每个初始类别分数对应于不同的图像类别；根据所述至少两个初始类别分数，计算得到所述待分类图像对应的类别平滑度参数；基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理，得到每个初始类别分数对应的最终类别分数；将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。
[0006]可选地，在基于本申请上述方法的另一个实施例中，所述图像分类模型的训练步骤包括：构建样本图像数据集，所述样本图像数据集包括多张样本图像和每张样本图像对
应的类别标签；将所述样本图像输入至初始图像分类模型，得到所述样本图像对应的至少两个初始类别分数；利用所述至少两个初始类别分数，得到所述样本图像对应的类别平滑度参数；根据所述样本图像对应的类别平滑度参数和所述损失函数，计算所述初始图像分类模型的损失；用随机梯度下降算法对所述初始图像分类模型进行优化训练，从而优化所述分类模型的损失，当训练迭代次数达到上限值或损失值小于预设阈值时，得到所述训练生成的图像分类模型。
[0007]可选地，在基于本申请上述方法的另一个实施例中，所述损失函数通过下述公式构建：其中，L对应于所述损失函数，对应于模型输出的第i类别的归一化后的类别分数，k对应于所述样本图像所属于的图像类别，C对应于图像类别的总数量，T对应于所述类别平滑度参数，由归一化后的类别分数通过下述公式计算得到：;其中，表示所述类别分数中的最高分数值，表示所述类别分数中的次高分数值，为调节正数，a为可学习参数;其中，所述归一化后的类别分数z由下述公式获得：；其中，表示模型输出的初始类别分数向量，表示模型输出的初始类别分数向量中的最大绝对值。
[0008]可选地，在基于本申请上述方法的另一个实施例中，所述根据所述至少两个初始类别分数，计算得到所述待分类图像对应的类别平滑度参数，包括：对所述至少两个初始类别分数进行归一化处理，使其分布在
‑
1到1之间,得到归一化后的类别分数向量z,其中归一化方式如下：。
[0009]其中，标识初始向量的元素的最大绝对值;选取所述归一化后的类别分数中，数值最高的两个分数值，并计算所述数值最高的两个分数值之间的差值；
基于所述差值，计算得到所述待分类图像对应的类别平滑度参数。
[0010]可选地，在基于本申请上述方法的另一个实施例中，所述基于所述差值，计算得到所述待分类图像对应的类别平滑度参数，包括，通过下述公式得到所述待分类图像对应的类别平滑度参数：；其中，T对应于所述类别平滑度参数，表示所述类别分数中的最高分数值，表示所述类别分数中的次高分数值，为调节正数，a为可学习参数。
[0011]可选地，在基于本申请上述方法的另一个实施例中，基于下述公式计算每个初始类别分数对应的最终类别分数：；其中，vj对应于待分类图像属于第j类别的最终类别分数，对应于输入图像属于第i类别的初始归一化类别分数，C对应于图像类别的总数量。
[0012]其中，根据本申请实施例的又一个方面，提供的一种图像分类的装置，其特征在于，包括：第一获取模块，被配置为获取待分类图像；输入模块，被配置为将待分类图像输入预先训练生成的图像分类模型中，其中，所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成；输出模块，被配置为输出所述待分类图像对应的至少两个初始类别分数，其中每个初始类别分数对应于不同的图像类别；计算模块，被配置为根据所述至少两个初始类别分数，计算得到所述待分类图像对应的类别平滑度参数；第二获取模块，被配置为基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理，得到每个初始类别分数对应的最终类别分数；第三获取模块，被配置为将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。
[0013]根据本申请实施例的又一个方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；以及显示器，用于与所述存储器以执行所述可执行指令从而完成上述任一所述图像分类的方法的操作。
[0014]根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述图像分类的方法的操作。
[0015]本申请中，可以在获取待分类图像之后；将待分类图像输入预先训练生成的图像分类模型中，其中，训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构
建而成；输出待分类图像对应的至少两个初始类别分数，其中每个初始类别分数对应于不同的图像类别；根据至少两个初始类别分数，计算得到待分类图像对应的类别平滑度参数；基于类别平滑度参数对至少两个初始类别分数进行归一化处理，得到每个初始类别分数对应的最终类别分数；将最终类别分数中数值最高的类别分数对应的图像类别作为待分类图像的图像类别。通过应用本申请的技术方案，可以根据训练图像的初始类别分数自动地计算出适合初始分布的类别平滑度参数，从而得到一个合适的类别分布以计算模型损失值。从而更好地平衡图像类别间的区分性能和模型的泛化性能，进而提高分类模型识别图像类别的准确率。进而避免相关技术中存在的，所有训练图像都采用相同的类别平滑度参数所导致的模型分类准确性不高的问题。
[0016]下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种图像分类的方法，其特征在于，包括：获取待分类图像；将所述待分类图像输入预先训练生成的图像分类模型中，其中，所述训练生成的图像分类模型的损失函数由样本图像的类别平滑度参数构建而成；输出所述待分类图像对应的至少两个初始类别分数，其中每个初始类别分数对应于不同的图像类别；根据所述至少两个初始类别分数，计算得到所述待分类图像对应的类别平滑度参数；基于所述类别平滑度参数对所述至少两个初始类别分数进行归一化处理，得到每个初始类别分数对应的最终类别分数；将所述最终类别分数中数值最高的类别分数对应的图像类别作为所述待分类图像的图像类别。2.根据权利要求1所述的图像分类方法，其特征在于，所述图像分类模型的训练步骤包括：构建样本图像数据集，所述样本图像数据集包括多张样本图像和每张样本图像对应的类别标签；将所述样本图像输入至初始图像分类模型，得到所述样本图像对应的至少两个初始类别分数；利用所述至少两个初始类别分数，得到所述样本图像对应的类别平滑度参数；根据所述样本图像对应的类别平滑度参数和所述损失函数，计算所述初始图像分类模型的损失；用随机梯度下降算法对所述初始图像分类模型进行优化训练，从而优化所述分类模型的损失，当训练迭代次数达到上限值或损失值小于预设阈值时，得到所述训练生成的图像分类模型。3.根据权利要求2所述的方法，其特征在于，所述损失函数通过下述公式构建：其中，L对应于所述损失函数，对应于模型输出的第i类别的归一化后的类别分数，k对应于所述样本图像所属于的图像类别，C对应于图像类别的总数量，T对应于所述类别平滑度参数，由归一化后的类别分数通过下述公式计算得到：;其中，表示所述类别分数中的最高分数值，表示所述类别分数中的次高分数值，为调节正数，a为可学习参数;其中，所述归一化后的类别分数z由下述公式获得：；
其中，表示模型输出的初始类别分数向量，表示模型输出的初始类别分数向量中的最大绝对值。4.根据权利要求1所述的方法，其特征在于，所述根据所述至少两个初始类别分数，计算得到所述待分类图像对应的类别平滑度参数，包括：对所述至少两个初始类别分数进行归一化处理，使其分布在
‑...

【专利技术属性】
技术研发人员：王国龙，廖丹萍，戚晓东，施钢杰，
申请(专利权)人：浙江凤凰云睿科技有限公司浙江省北大信息技术高等研究院，
类型：发明
国别省市：