[發明專利]圖像篩選方法、裝置和計算機可讀存儲介質

有效

• 申請號: 202010150818.7
• 申請日: 2020-03-06
• 公開（公告）號: CN111368926B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 牟帥;肖萬鵬;鞠奇
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 深圳翼盛智成知識產權事務所(普通合伙) 44300
• 代理人: 汪阮磊

1.一種圖像篩選方法，其特征在于，包括：

獲取多張樣本圖像、以及所述樣本圖像對應的圖像屬性信息，所述樣本圖像為深度模型的中分段圖像樣本，其中，中分段圖像樣本指的是深度模型中分類置信度不高的樣本；

計算所述樣本圖像屬于預設目標類別的類別概率；

基于所述類別概率和所述圖像屬性信息對所述樣本圖像進行分類，根據分類結果從多張樣本圖像中確定至少一張正樣本圖像；

利用深度聚類模型對所述至少一張正樣本圖像進行特征提取，得到所述至少一張正樣本圖像的深度特征；

基于所述深度特征對所述正樣本圖像進行聚類，得到所述正樣本圖像的至少一個聚類結果；

根據所述至少一個聚類結果，從多張樣本圖像中篩選出目標樣本圖像。

2.根據權利要求1所述的方法，其特征在于，所述計算所述樣本圖像屬于預設目標類別的類別概率，包括：

對所述樣本圖像進行圖像特征提取，得到樣本圖像特征；

根據所述樣本圖像特征計算所述樣本圖像屬于預設目標類別的類別概率。

3.根據權利要求2所述的方法，其特征在于，所述對所述樣本圖像進行圖像特征提取，得到樣本圖像特征，包括：

對所述樣本圖像進行預處理，得到預處理后樣本圖像；

采用分類模型中的殘差網絡對所述預處理后樣本圖像進行圖像特征提取，得到樣本圖像特征。

4.根據權利要求2所述的方法，其特征在于，所述根據所述樣本圖像特征計算所述樣本圖像屬于預設目標類別的概率，包括：

采用分類模型中的分類網絡對所述樣本圖像特征進行加權求和，得到所述樣本圖像屬于預設目標類別的類別分數；

將所述類別分數進行歸一化，得到所述樣本圖像屬于預設目標類別的概率。

5.根據權利要求3或4所述的方法，其特征在于，在采用分類模型之前，還包括：

獲取多張訓練樣本圖像；

采用所述訓練樣本圖像對第一網絡進行訓練，得到第一預測值；

根據所述訓練樣本圖像的真實值與第一預測值，采用第一損失函數對第一網絡進行收斂，得到訓練后第一網絡；

采用所述訓練樣本圖像對第二網絡進行訓練，得到第二預測值；

根據所述訓練樣本圖像的真實值與第二預測值，采用第二損失函數對第二網絡進行收斂，得到訓練后第二網絡；

采用所述訓練樣本圖像對第三網絡進行訓練，得到第三預測值；

根據所述訓練樣本圖像的真實值與第三預測值，采用第三損失函數對第三網絡進行收斂，得到訓練后第三網絡；

根據所述訓練后第一網絡、所述訓練后第二網絡和所述訓練后第三網絡，確定分類模型。

6.根據權利要求1所述的方法，其特征在于，所述基于所述類別概率和所述圖像屬性信息對所述樣本圖像進行分類，根據分類結果從多張樣本圖像中確定至少一張正樣本圖像，包括：

根據所述類別概率和所述圖像屬性信息生成圖像特征向量；

基于所述圖像特征向量，利用分類器對所述樣本圖像進行分類；

根據分類結果從多張樣本圖像中確定至少一張正樣本圖像。

7.根據權利要求1所述的方法，其特征在于，所述利用深度聚類模型對所述至少一張正樣本圖像進行特征提取之前，還包括：

獲取多張訓練樣本圖像；

利用預設深度聚類模型對所述訓練樣本圖像進行特征提取，得到訓練樣本圖像特征；

基于所述訓練樣本圖像特征對所述訓練樣本圖像進行聚類，根據聚類結果對所述預設深度聚類模型進行調整，直到所述預設深度聚類模型收斂，得到深度聚類模型。