【技术实现步骤摘要】
基于人工智能的图像分类方法、装置、计算机设备及介质
[0001]本专利技术适用于人工智能领域，尤其涉及一种基于人工智能的图像分类方法、装置、计算机设备及介质。
技术介绍
[0002]传统的分类网络一般是根据单标签标注以及高斯分布进行学习和网络训练，对于满足高斯分布且标签相关性较小的图像，使用传统分类网络可以有效表征图像之间的标签分布，使得图像分类效果较好；但是对于不满足高斯分布且不同标签之间存在较大相关性的图像，使用传统分类网络无法有效表征图像标签的真实分布，使得图像分类效果较差。
[0003]因此，在图像分类中，如何提高图像分类的准确性成为亟待解决的问题。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供了一种基于人工智能的图像分类方法、装置、计算机设备及介质，以解决图像分类的准确性较低的问题。
[0005]第一方面，本专利技术实施例提供一种基于人工智能的图像分类方法，所述图像分类方法包括：
[0006]将样本图像输入至分布预测模型中，得到所述样本图像的预测概率分布；>[0007]获取所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的图像分类方法，其特征在于，所述图像分类方法包括：将样本图像输入至分布预测模型中，得到所述样本图像的预测概率分布；获取所述样本图像的真实概率分布，根据所述预测概率分布计算得到用于表征所述预测概率分布与预设分布规律之间相似性的衰减损失函数；根据所述预测概率分布和所述真实概率分布，计算得到用于表征所述预测概率分布和所述真实概率分布之间整体相似性的相对熵损失函数，以及计算得到用于表征所述预测概率分布和所述真实概率分布之间差异性的背离损失函数；根据所述相对熵损失函数、所述衰减损失函数和所述背离损失函数，结合所述相对熵损失函数、所述衰减损失函数和所述背离损失函数之间的预设关系，确定所述分布预测模型的损失函数；采用梯度下降法调整所述分布预测模型的模型参数，直至所述损失函数收敛，得到训练好的分布预测模型；将获取的待分类图像输入所述训练好的分布预测模型，得到目标概率分布，确定所述目标概率分布中的最大概率，将所述最大概率对应的预设类别作为所述待分类图像的分类结果。2.根据权利要求1所述的图像分类方法，其特征在于，所述分布预测模型包括编码器和全连接层，所述编码器用于对输入的所述样本图像进行特征提取，得到图像分类特征，所述全连接层用于输入所述图像分类特征，得到所述样本图像的预测概率分布。3.根据权利要求1所述的图像分类方法，其特征在于，所述获取所述样本图像的真实概率分布，包括：根据各个样本图像的真实预设类别，统计总样本数量和各个所述真实预设类别的样本数量；计算各个所述真实预设类别的样本数量与所述总样本数量的比值，确定各个所述真实预设类别的样本概率；根据所有所述真实预设类别的样本概率，得到所述样本图像的真实概率分布。4.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述预测概率分布计算得到用于表征所述预测概率分布与预设分布规律之间相似性的衰减损失函数，包括：根据所述样本图像确定样本图像的总数量，根据各个所述样本图像的真实预设类别确定预设类别的总数量；根据所述预测概率分布确定所述样本图像属于各个所述预设类别的预测概率；根据所述样本图像的总数量、所述预设类别的总数量、所述样本图像的真实预设类别和所述样本图像属于各个所述预设类别的预测概率，计算得到所述衰减损失函数，所述衰减损失函数的计算公式如下：式中，L1为所述衰减损失函数，N为所述样本图像的总数量，C为所述预设类别的总数量，p
i,j
为第i个样本图像属于第j个预设类别的预测概率，p
i,j+1
为第i个样本图像属于第j+1个预设类别的预测概率，J为第i个样本图像的真实预设类别。
5.根据权利要求4所述的图像分类方法，其特征在于，所述根据所述预测概率分布和所述真实概率分布，计算得到用于表征所述预测概率分布和所述真实概率分布之间整体相似性的相对熵损失函数，以及计算得到用于表征所述预测概率分布和所述真实概率分布之间差异性的背离损失函数，包括：根据所述样本图像的总数量、所述预测概率分布和所述真实概率分布，计算得到所述相对熵损失函数，所述相对熵损失函数的计算公式如下：式中，L2为所述相对熵损失函数，N为所述样本图像的总数量，C为所述预设类别的总数量，P(x
i,j
)为第i个样本图像的所述预测概率分布，Q(x
i,j
)为第i个样本图像的所述真实概率分布。6.根据...
【专利技术属性】
技术研发人员：瞿晓阳，王健宗，
申请(专利权)人：平安科技深圳有限公司，
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。