图像分类方法和装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种图像分类方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括获取待分类图像；将待分类图像输入目标图像分类模型，得到图像分类结果；其中，目标图像分类模型通过以下步骤得到：根据本地图像训练数据和本地图像分类模型确定所述本地图像训练数据的预测结果；根据预测结果和本地图像训练数据的实际标签确定本地图像训练数据的不确定度；根据不确定度将本地图像训练数据输入本地图像分类模型进行训练，其中，不确定度较低的本地图像训练数据先输入本地图像分类模型中训练；将训练后的本地图像分类模型的参数发送至中央服务器进行加权求和，得到训练好的目标图像分类模型。本申请能够提高图像分类的准确度。高图像分类的准确度。高图像分类的准确度。

【技术实现步骤摘要】
图像分类方法和装置、电子设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种图像分类方法和装置、电子设备及存储介质。

技术介绍

[0002]近年来，随着人工智能技术的飞速发展，各种类型的应用也应运而生。其中，图像分类属于人工智能的一个分支应用，其可以在多个场景下执行相应的任务,例如，人脸识别、交通场景识别、图像检索、相册自动归类以及医学影像识别等。
[0003]相关技术中，图像分类通常采用神经网络模型实现。然而，由于图像采集环境的复杂性、采集设备的质量参差等因素，部分图像数据中往往存在噪声干扰，模型难以有效提取图像特征并进行准确的分类判断，导致图像分类结果的准确性低。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种图像分类方法和装置、电子设备及存储介质，旨在提高图像分类的准确性。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种图像分类方法，所述方法包括：
[0006]获取待分类图像；
[0007]将所述待分类图像输入到目标图像分类模型，通过所述目标图像分本文档来自技高网...

【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：获取待分类图像；将所述待分类图像输入到目标图像分类模型，通过所述目标图像分类模型对所述待分类图像进行特征提取，得到图像特征数据；根据所述图像特征数据，通过所述目标图像分类模型对所述待分类图像进行分类预测，得到图像分类结果；其中，所述目标图像分类模型通过以下步骤得到：获取多个本地图像训练数据和本地图像分类模型；根据所述本地图像训练数据和所述本地图像分类模型确定所述本地图像训练数据的预测结果，其中，所述预测结果包括多个类别的预测概率；根据所述预测结果和所述本地图像训练数据的实际标签确定所述本地图像训练数据的不确定度；根据所述不确定度将所述本地图像训练数据输入所述本地图像分类模型进行训练，其中，所述不确定度较低的所述本地图像训练数据先输入所述本地图像分类模型中训练；将训练后的所述本地图像分类模型的本地模型参数发送至中央服务器进行多个本地模型参数的加权求和，得到训练好的目标图像分类模型。2.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述不确定度将所述本地图像训练数据输入所述本地图像分类模型进行训练，包括：将所述不确定度小于或等于分类阈值的所述本地图像训练数据划分到低不确定度数据集；将所述不确定度大于分类阈值的所述本地图像训练数据划分到高不确定度数据集；将所述低不确定度数据集中的本地图像训练数据输入到所述本地图像分类模型训练后，再将所述高不确定度数据集中的本地图像训练数据输入到所述本地图像分类模型训练。3.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述不确定度将所述本地图像训练数据输入所述本地图像分类模型进行训练，包括：按照不确定度由小到大排列多个所述本地图像训练数据；将排列好所述本地图像训练数据依次输入所述本地图像分类模型进行训练，直到所述本地图像分类模型的损失值小于预设损失值。4.根据权利要求2所述的图像分类方法，其特征在于，所述将所述低不确定度数据集中的本地图像训练数据输入到所述本地图像分类模型训练后，再将所述高不确定度数据集中的本地图像训练数据输入到所述本地图像分类模型训练，包括：将所述低不确定度数据集中的所有本地图像训练数据输入所述本地图像分类模型进行训练；将所述高不确定度数据集中的本地图像训练数据逐个输入所述本地图像分类模型进行训练，直到所述本地图像分类模型的损失值小于预设损失值。5.根据权利要求3所述的图像分类方法，其特征在于，所述本地图像分类模型的损失值通过交叉熵损失函数计算，所述交叉熵损失函数表示如下：...

【专利技术属性】
技术研发人员：李泽远，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：