数据集粒度分类方法及装置制造方法及图纸

本公开关于一种数据集粒度分类方法及装置，数据集粒度分类方法包括：获取待分类数据集，其中，待分类数据集中包括至少一个图像；根据待分类数据集，得到第一数据集和第二数据集，其中，第一数据集是将待分类数据集中的图像均调整到第一分辨率得到的，第二数据集是将待分类数据集中的图像均调整到第二分辨率得到的；利用第一数据集对神经网络模型进行训练和测试，得到用于图像分类的第一分类模型和第一分类模型的分类精度，并且，利用第二数据集对神经网络模型进行训练和测试，得到用于图像分类的第二分类模型和第二分类模型的分类精度；根据第一分类模型的分类精度、第二分类模型的分类精度和预设阈值，得到待分类数据集的粒度分类结果。粒度分类结果。粒度分类结果。

【技术实现步骤摘要】
数据集粒度分类方法及装置


[0001]本公开涉及图像处理领域，尤其涉及一种数据集粒度分类方法及装置。

技术介绍

[0002]在深度学习的图像分类中，会区分粗粒度数据集的分类任务和细粒度数据集的分类任务。在相关技术中，会通过人为判断的方法进行数据集的粗细粒度的判定，然后再针对判定结果进行针对性地建模，进而进行图像分类。但是，在实际进行图像分类的开发系统用户中，不是所有用户都具备判定数据集粗细粒度的技能，使得这种需要人为判断的方法不够便捷、费时费力、不具有普适性。

技术实现思路

[0003]本公开提供一种数据集粒度分类方法及装置，以至少解决上述相关技术中的问题，也可不解决任何上述问题。本公开的技术方案如下：
[0004]根据本公开实施例的第一方面，提供一种数据集粒度分类方法，包括：获取待分类数据集，其中，所述待分类数据集中包括至少一个图像；根据所述待分类数据集，得到第一数据集和第二数据集，其中，所述第一数据集是将所述待分类数据集中的图像均调整到第一分辨率得到的，所述第二数据集是将所述待分类数据集中的图像均调整到第二分辨率得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据集粒度分类方法，其特征在于，包括：获取待分类数据集，其中，所述待分类数据集中包括至少一个图像；根据所述待分类数据集，得到第一数据集和第二数据集，其中，所述第一数据集是将所述待分类数据集中的图像均调整到第一分辨率得到的，所述第二数据集是将所述待分类数据集中的图像均调整到第二分辨率得到的；利用所述第一数据集对神经网络模型进行训练和测试，得到用于图像分类的第一分类模型和所述第一分类模型的分类精度，并且，利用所述第二数据集对所述神经网络模型进行训练和测试，得到用于图像分类的第二分类模型和所述第二分类模型的分类精度；根据所述第一分类模型的分类精度、所述第二分类模型的分类精度和预设阈值，得到所述待分类数据集的粒度分类结果。2.如权利要求1所述的数据集粒度分类方法，其特征在于，所述待分类数据集被预先拆分为训练数据集和测试数据集；所述第一数据集包括基于所述训练数据集得到的第一训练数据集和基于所述测试数据集得到的第一测试数据集，所述第二数据集包括基于所述训练数据集得到的第二训练数据集和基于所述测试数据集得到的第二测试数据集。3.如权利要求2所述的数据集粒度分类方法，其特征在于，所述利用所述第一数据集对神经网络模型进行训练和测试，得到用于图像分类的第一分类模型和所述第一分类模型的分类精度，包括：基于第一训练数据集对所述神经网络模型进行训练，得到所述第一分类模型；基于第一测试数据集对所述第一分类模型进行测试，得到第一测试结果；基于第一测试结果，得到所述第一分类模型的分类精度；其中，所述利用所述第二数据集对所述神经网络模型进行训练和测试，得到用于图像分类的第二分类模型和所述第二分类模型的分类精度，包括：基于第二训练数据集对所述神经网络模型进行训练，得到所述第二分类模型；基于第二测试数据集对所述第二分类模型进行测试，得到第二测试结果；基于第二测试结果，得到所述第二分类模型的分类精度。4.如权利要求3所述的数据集粒度分类方法，其特征在于，所述第一测试结果包括所述第一测试数据集中的图像的分类结果；其中，所述基于第一测试结果，得到所述第一分类模型的分类精度，包括：根据所述第一测试结果和所述第一测试数据集中的图像携带的类别标签，得到所述第一测试数据集中的图像进行分类的第一准确率，并将所述第一准确率作为所述第一分类模型的分类精度；所述第二测试结果包括所述第二测试数据集中的图像的分类结果；其中，所述基于第二测试结果，得到所述第二分类模型的分类精度，包括：根据所述第二测试结果和所述第二测试数...

【专利技术属性】
技术研发人员：杨武，韩锋，涂威威，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：