基于人工智能的图像分类方法、装置、计算机设备及介质制造方法及图纸

本发明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。本发明专利技术将样本图像输入分布预测模型中得到预测概率分布，并获取真实概率分布以计算得到衰减损失函数、相对熵损失函数和背离损失函数，在确定预测概率分布的损失函数后采用梯度下降法调整模型参数至损失函数收敛，得到训练好的分布预测模型，最后将待分类图像输入训练好的分布预测模型得到目标概率分布，确定待分类图像的分类结果。本发明专利技术中衰减损失函数使预测概率分布更符合样本图像的预设分布规律，相对熵损失函数和背离损失函数使预测概率分布更接近样本图像的真实概率分布，提高了分布预测模型的预测准确性，进一步提高了图像分类结果的准确性。类结果的准确性。类结果的准确性。

【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；
[0008]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；
[0009]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；
[0010]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。
[0011]第二方面，本专利技术实施例提供一种基于人工智能的图像分类装置，所述图像分类装置包括：
[0012]概率分布预测模块，用于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；
[0013]第一损失计算模块，用于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；
[0014]第二损失计算模块，用于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；
[0015]参数调整模块，用于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；
[0016]图像分类模块，用于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。
[0017]第三方面，本专利技术实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的图像分类方法。
[0018]第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的图像分类方法。
[0019]本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例将样本图像输入至分布预测模型中，得到预测概率分布，并获取真实概率分布，计算得到衰减损失函数、相对熵损失函数和背离损失函数，然后计算得到预测概率分布的损失函数，该损失函数能够综合且更加客观地表征预测概率分布与预设分布规律以及真实概率分布之间的差异，并采用梯度下降法调整分布预测模型的模型参数，直至损失函数收敛，得到训练好的分布预测模型，最后将待分类图像输入训练好的分布预测模型，得到目标概率分布，以确定目标概率分布中的最大概率对应的预设类别为待分类图像的分类结果。本专利技术实施例中衰减损失函数使得预测概率分布更符合样本图像的预设分布规律，相对熵损失函数和背离损失函数使得预测概率分布更接近样本图像的真实概率分布，提高了分布预测模型的预测准确性，进一步提高了图像分类结果的准确性。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是本专利技术实施例一提供的一种基于人工智能的图像分类方法的一应用环境示意图；
[0022]图2是本专利技术实施例一提供的一种基于人工智能的图像分类方法的流程示意图；
[0023]图3是本专利技术实施例二提供的一种基于人工智能的图像分类装置的结构示意图；
[0024]图4是本专利技术实施例三提供的一种计算机设备的结构示意图。
具体实施方式
[0025]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0026]应当理解，当在本专利技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0027]还应当理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0028]如在本专利技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0029]另外，在本专利技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0030]在本专利技术说明书中描述的参考“一个实施例本文档来自技高网...

【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：