图像分类方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像分类方法、装置、计算机设备和存储介质。方法包括：确定样本图像集内各样本图像属于目标场景图类的预测分值；在样本图像集内，选取预测分值达到分数阈值的候选样本图像；确定各候选样本图像与困难样本图像之间的相似度；根据相似度筛选候选样本图像，得到正样本图像和负样本图像；基于正样本图像、困难样本图像和负样本图像对图像分类模型进行训练，直至图像分类模型的目标损失值达到预设损失值时停止训练，得到训练后的图像分类模型，目标损失值包括分类损失值、第一损失值和第二损失值；当获取到待分类图像时，通过训练后的图像分类模型对待分类图像进行分类，得到分类结果。采用本方法能够提高图像分类模型的分类能力。型的分类能力。型的分类能力。

【技术实现步骤摘要】
图像分类方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种图像分类方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着计算机技术的发展，出现了机器学习技术，通过机器学习可以训练用于各种任务的机器学习模型，例如，可以训练用于图像分类任务的图像分类模型，该图像分类模型可以提取图像对应的特征，并基于特征进行分类，得到图像分类结果。
[0003]目前大多图像分类模型是通过监督学习提前训练得到的，即通过图像分类模型对样本进行分类，得到分类结果，基于分类结果调整模型参数，使得图像分类模型输出的分类结果与样本所属的真实类别更逼近。
[0004]然而采用上述训练方式所得到的图像分类模型，很容易出现模型过拟合的情况，导致图像分类模型无法对某些图像进行准确的分类，例如在限制级场景图像分类过程中，易将正常的高度疑似限制级场景的图像误判为限制级场景图像。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高图像分类准确性的图像分类方法、装置、计算机设备和存储介质。...

【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：确定样本图像集内各样本图像属于目标场景图类的预测分值；在所述样本图像集内，选取所述预测分值达到分数阈值的候选样本图像；确定各所述候选样本图像与困难样本图像之间的相似度；所述困难样本图像为历史分类过程中被误判为属于所述目标场景图类的图像；根据所述相似度筛选所述候选样本图像，得到正样本图像和负样本图像；基于所述正样本图像、所述困难样本图像和所述负样本图像对图像分类模型进行训练，直至所述图像分类模型的目标损失值达到预设损失值时停止训练，得到训练后的图像分类模型；其中，所述目标损失值包括分类损失值、所述困难样本图像的特征图与所述正样本图像的特征图之间的第一损失值，以及所述困难样本图像的特征图与所述负样本图像的特征图之间的第二损失值；当获取到待分类图像时，通过所述训练后的图像分类模型对所述待分类图像进行分类，得到所述待分类图像是否属于所述目标场景图类的分类结果。2.根据权利要求1所述的方法，其特征在于，所述确定样本图像集内各样本图像属于目标场景图类的预测分值，包括：获取样本图像集；将所述样本图像集内的各样本图像分别输入预训练的图像分类模型；通过预训练的所述图像分类模型分别对输入的所述样本图像进行分类预测，得到所述样本图像属于目标场景图类的预测分值。3.根据权利要求2所述的方法，其特征在于，所述基于所述正样本图像、所述困难样本图像和所述负样本图像对图像分类模型进行训练，直至所述图像分类模型的目标损失值达到预设损失值时停止训练，包括：基于所述正样本图像、所述困难样本图像和所述负样本图像对预训练的所述图像分类模型进行训练，直至所述图像分类模型的损失值达到预设损失值时停止训练，得到训练后的图像分类模型。4.根据权利要求1所述的方法，其特征在于，所述确定各所述候选样本图像与困难样本图像之间的相似度，包括：在各所述候选样本图像中进行特征提取，得到候选样本特征图；对所述困难样本图像进行特征提取，得到困难样本特征图；基于所述候选样本特征图和所述困难样本特征图，确定所述候选样本图像与困难样本图像之间的相似度。5.根据权利要求4所述的方法，其特征在于，所述相似度包括所述候选样本图像与所述困难样本图像之间的图像相似度和聚类相似度；所述基于所述候选样本特征图和所述困难样本特征图，确定所述候选样本图像与困难样本图像之间的相似度，包括：基于所述候选样本特征图和所述困难样本特征图，确定所述候选样本图像与困难样本图像之间的图像相似度；对所述困难样本特征图进行聚类，得到聚类中心；基于所述候选样本特征图和所述聚类中心，确定所述候选样本图像与所述困难样本图
像的聚类相似度。6.根据权利要求1所述的方法，其特征在于，所述根据所述相似度筛选所述候选样本图像，得到正样本图像和负样本图像，包括：根据所述相似度对所述候选样本图像进行筛选，得到目标样本图像；获取所述目标样本图像的类别标签；所述类别标签包括正样本标签和负样本标签；将所述正样本标签对应的所述目标样本图像确定为正样本图像；将所述负样本标签对应的所述目标样本图像确定为负样本图像。7.根据权利要求6所述的方法，其特征在于，所述相似度包括所述候选样本图像与所述困难样本图像之间的图像相似度和聚类相似度；所述根据所述相似度对所述候选样本图像进行筛选，得到目标样本图像，包括：将所述图像相似度和所述聚类相似度进行对比；若所述图像相似度大于所述聚类相似度，则将大于所述聚类相似度的图像相似度对应的候选样本图像确定为目标样本图像。8.根据权利要求1至7中的任一项所述的方法，其特征在于，所述基于所述正样本图像、所述困难样本图像和所述负样本图像对图像分类模型进行训练，包括：将所述正...

【专利技术属性】
技术研发人员：朱城，鄢科，黄飞跃，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：