图像分类预测方法及装置、设备、存储介质制造方法及图纸

本申请公开了一种图像分类预测方法及装置、设备、存储介质，其中所述方法包括：调用图像分类模型对待处理图像进行图像分类，得到所述待处理图像的对比学习精度；调用分类精度模型对所述待处理图像的对比学习精度进行预测，得到对应的图像分类精度；其中，所述图像分类精度用于反映所述图像分类模型进行图像分类的精度。采用本申请，能够解决现有技术中存在的增加图像分类失误的风险、降低用户体验的问题。题。题。

【技术实现步骤摘要】
图像分类预测方法及装置、设备、存储介质


[0001]本申请实施例涉及图像处理
，涉及但不限于一种图像分类预测方法及装置、设备、存储介质。

技术介绍

[0002]图像分类在智能设备中应用越来越广泛，由于图像分类算法本身并不能保证结果完全准确，且算法涉及的训练样本也无法穷尽生活中的所有场景。在对于一些用户敏感场景，例如将“人”误分类或预测为“狗”，全靠预测，预测的正确与否无法判断，从而会增加图像分类失误的风险，降低用户体验。

技术实现思路

[0003]有鉴于此，本申请实施例提供的一种图像分类预测方法及装置、设备、存储介质，能够解决现有技术中存在的增加图像分类失误的风险、降低用户体验的问题。
[0004]第一方面，本申请实施例提供一种图像分类预测方法，包括：
[0005]调用图像分类模型对待处理图像进行图像分类，得到所述待处理图像的对比学习精度；
[0006]调用分类精度模型对所述待处理图像的对比学习精度进行预测，得到对应的图像分类精度；
[0007]其中，所述图像分类精度用于反映所述图像分类模型进行图像分类的精度，所述图像分类模型和所述分类精度模型均为预先训练好的模型。
[0008]第二方面，本申请实施例提供一种图像分类预测装置，包括：
[0009]分类模块，用于调用图像分类模型对待处理图像进行图像分类，得到所述待处理图像的对比学习精度；
[0010]预测模块，用于调用分类精度模型对所述待处理图像的对比学习精度进行预测，得到对应的图像分类精度；
[0011]其中，所述图像分类精度用于反映所述图像分类模型进行图像分类的精度，所述图像分类模型和所述分类精度模型均为预先训练好的模型。
[0012]第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本申请实施例所述的方法。
[0013]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。
[0014]与现有技术相比，本申请至少具有如下有益效果：
[0015]本申请实施例中，计算机设备调用图像分类模型对待处理图像进行图像分类，得到所述待处理图像的对比学习精度；调用分类精度模型对所述待处理图像的对比学习精度进行预测，得到对应的图像分类精度；其中，所述图像分类精度用于反映所述图像分类模型
进行图像分类的精度，所述图像分类模型和所述分类精度模型均为预先训练好的模型。可见，本申请能利用分类精度模型来对图像分类模型进行精度预测，从而判断图像分类模型的分类预测的正确性，从而提高图像分类模型预测的可靠性和精度。同时，也能解决现有技术中存在的增加图像分类失误的风险、降低用户体验等问题。
附图说明
[0016]此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
[0017]图1是本申请实施例提供的一种图像分类预测方法的流程示意图。
[0018]图2是本申请实施例提供的另一种图像分类预测方法的流程示意图。
[0019]图3是本申请实施例提供的一种图像分类预测的场景示意图。
[0020]图4是本申请实施例提供的一种图像分类预测的框架示意图。
[0021]图5是本申请实施例提供的一种回归散点图的示意图。
[0022]图6是本申请实施例提供的一种回归预测模型的示意图。
[0023]图7是本申请实施例提供的一种图像分类预测装置的结构示意图。
[0024]图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0025]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
[0026]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
[0027]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0028]需要指出，本申请实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
[0029]申请人在提出本申请的过程中还发现：对于一些高风险场景，如自动驾驶、医疗诊断等关系到生命健康的领域，算法模型的高可靠性和充分性是比不或缺的。现有图像分类算法比较多，但大多仅能完成预测分类，无法对实际场景中的应用结果进行再次判定。这样对误分类的场景缺少保护机制，使得图像分类模型的可靠性不高。
[0030]为解决上述问题，本申请提出一种图像分类预测方法及装置、设备、存储介质。请参见图1是本申请实施例提供的一种图像分类预测方法的流程示意图。如图1所示的方法应用于计算机设备中，在实施的过程中该计算机设备可以为各种类型的具有信息处理能力的设备。例如，该计算机设备可以包括个人计算机、笔记本电脑、掌上电脑或服务器等；还可以
为移动终端，例如所述移动终端可以包括手机、可穿戴设备、车载电脑、平板电脑或投影仪等。该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。
[0031]图1所示的方法，可以包括如下实施步骤：
[0032]S101、调用图像分类模型对待处理图像进行图像分类，得到所述待处理图像的对比学习精度。
[0033]本申请的图像分类模型为系统自定义设置的模型，用于进行图像分类，其可包括但不限于例如卷积神经网络，模型、前馈神经网络模型或其他自定义的深度学习模型等，本申请不做限定。
[0034]S102、调用分类精度模型对所述待处理图像的对比学习精度进行预测，得到对应的图像分类精度；其中，所述图像分类精度用于反映所述图像分类模型进行图像分类的精度，所述图像分类模型和所述分类精度模型均为预先训练好的模型。
[0035]本申请的分类精度模型也为系统自定义设置的模型，用于评估图像分类模型的精度，其可包括但不限于例如回归预测模型或其他自定义模型等，本申请不做限定。
[0036]本申请的计算机设备包括但不限于诸如智能手机(如Android手机、IOS手机等)、个人电脑、平板电脑、掌上电脑、电子阅读器、移动互联网设备(MID，Mobile Internet Devices)、穿戴式智能设备或其他本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类预测方法，其特征在于，所述方法包括：调用图像分类模型对待处理图像进行图像分类，得到所述待处理图像的对比学习精度；调用分类精度模型对所述待处理图像的对比学习精度进行预测，得到对应的图像分类精度；其中，所述图像分类精度用于反映所述图像分类模型进行图像分类的精度，所述图像分类模型和所述分类精度模型均为预先训练好的模型。2.根据权利要求1所述的方法，其特征在于，所述调用图像分类模型对待处理图像进行图像分类之前，所述方法还包括：获取样本集，所述样本集包括至少一个训练图像及所述训练图像的分类标签；利用所述样本集对初始的图像分类模型进行训练，得到训练好的所述图像分类模型。3.根据权利要求1所述的方法，其特征在于，所述图像分类模型为采用预设损失函数对初始的图像分类模型的参数进行更新获得的，所述预设损失函数包括对比学习损失和图像分类损失。4.根据权利要求1所述的方法，其特征在于，所述调用分类精度模型对所述待处理图像的对比学习精度进行预测之前，所述方法还包括：获取测试集，所述测试集包括至少一个测试图像和所述测试图像的分类标签；利用所述图像分类模型对所述测试集中的每个测试图像进行分类预测，得到多个测试结果，所述测试结果包括每个所述测试图像各自的对比学习精度和图像分类精度；利用所述测试结果对初始的...

【专利技术属性】
技术研发人员：段秋阳，彭儒，赵俊博，涂勇军，江秀，
申请(专利权)人：浙江大学，
类型：发明
国别省市：