图像分类方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种图像分类方法及装置、电子设备和存储介质，通过确定待分类图像和预先训练得到的包括特征提取层和全连接层的分类模型。将待分类图像输入与分类模型，并通过特征提取层提取得到待分类特征向量。根据待分类特征向量和分类模型的目标空间确定图像未知类别参数。根据待分类特征向量和全连接层确定至少一个第一已知类别参数。根据图像未知类别参数和至少一个第一已知类别参数确定待分类图像属于未知类别以及每个已知类别的概率。本公开实施例能够基于已经训练好的分类模型现有结构提取的特征信息判断图像类别，具有通用性、提高了图像分类的效率和准确率。提高了图像分类的效率和准确率。提高了图像分类的效率和准确率。

【技术实现步骤摘要】
图像分类方法及装置、电子设备和存储介质


[0001]本公开涉及计算机
，尤其涉及一种图像分类方法及装置、电子设备和存储介质。

技术介绍

[0002]目前基于深度神经网络模型的图像分类技术被广泛应用于各领域，而在出现模型训练过程中从未遇到过的新类别图像时，模型会将新类别图像的类别识别为已知类别，难以准确识别新类别图像，导致图像分类结果的准确度低。

技术实现思路

[0003]本公开提出了一种图像分类方法及装置、电子设备和存储介质，旨在提高图像分类结果的准确度。
[0004]根据本公开的第一方面，提供了一种图像分类方法，包括：
[0005]确定待分类图像和预先训练得到的分类模型，所述分类模型包括特征提取层和全连接层；
[0006]将所述待分类图像输入所述分类模型，并通过所述特征提取层提取得到待分类特征向量；
[0007]根据所述待分类特征向量和所述分类模型对应的目标空间确定图像未知类别参数，所述分类模型对应的目标空间基于所述分类模型对应的训练集确定，所述目标空间表征未知类别图像的特征向量所在的空间本文档来自技高网...

【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：确定待分类图像和预先训练得到的分类模型，所述分类模型包括特征提取层和全连接层；将所述待分类图像输入所述分类模型，并通过所述特征提取层提取得到待分类特征向量；根据所述待分类特征向量和所述分类模型对应的目标空间确定图像未知类别参数，所述分类模型对应的目标空间基于所述分类模型对应的训练集确定，所述目标空间表征未知类别图像的特征向量所在的空间；根据所述待分类特征向量和所述全连接层确定至少一个第一已知类别参数；根据所述图像未知类别参数和所述至少一个第一已知类别参数确定所述待分类图像属于未知类别以及每个已知类别的概率。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述训练集中的至少一个训练图像输入所述分类模型，并通过所述特征提取层提取得到每个所述训练图像的已分类特征向量；根据每个所述已分类特征向量进行主成分分析得到主成分空间；将所述主成分空间的正交补空间确定为所述目标空间。3.根据权利要求2所述的方法，其特征在于，所述根据所述待分类特征向量和所述分类模型对应的目标空间确定图像未知类别参数包括：根据所述待分类特征向量、所述分类模型对应的目标空间和所述分类模型对应的缩放系数确定图像未知类别参数，所述缩放系数基于所述训练集确定。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：确定每个所述已分类特征向量在所述目标空间的投影长度；根据每个所述已分类特征向量的投影长度和所述全连接层，分别确定每个所述已分类特征向量对应的至少一个第二已知类别参数；根据每个所述已分类特征向量对应的投影长度和第二已知类别参数确定所述缩放系数。5.根据权利要求4所述的方法，其特征在于，所述根据每个所述已分类特征向量对应的投影长度和第二已知类别参数确定所述缩放系数包括：确定每个所述已分类特征向量对应的最大的第二已知类别参数为最大已知类别参数；根据每个所述最大已知类别参数和，与每个所述已分类特征向量对应的投影长度距离和的比值确定缩放系数。6.根据权利要求3
‑
5中任意一项所述的方法，其特征在于，所述根据所述待分类特征向量、所述分类模型对应的目标空间和所述分类模型对应的缩放系数确定图像未知类别参数包括：根据所述待分类特征向量在所述目标空间的投影与所述缩放系数的乘积确定所述图像未知类别参数。7.根据权利要求1
‑
6中任意一项所述的方法，其特征在于，所述根据所述待分类特征向量和所述全连接层确定至少一个第一已知类别参数包括：确定所述全连接层对应的偏差值以及至少一个已知类别的特征矩阵；
根据所述偏差值、所述待分类特征向...

【专利技术属性】
技术研发人员：王皓琦，李治中，冯俐铜，张伟，
申请(专利权)人：深圳市商汤科技有限公司，
类型：发明
国别省市：