[發(fā)明專利]圖像篩選方法、裝置和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010150818.7
• 申請(qǐng)日: 2020-03-06
• 公開(kāi)（公告）號(hào): CN111368926B
• 公開(kāi)（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 牟帥;肖萬(wàn)鵬;鞠奇
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 深圳翼盛智成知識(shí)產(chǎn)權(quán)事務(wù)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(duì)應(yīng)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(jì)算所述樣本圖像屬于預(yù)設(shè)目標(biāo)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(duì)所述樣本圖像進(jìn)行分類，根據(jù)分類結(jié)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(duì)所述至少一張正樣本圖像進(jìn)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(duì)所述正樣本圖像進(jìn)行聚類，得到所述正樣本圖像的至少一個(gè)聚類結(jié)果；

根據(jù)所述至少一個(gè)聚類結(jié)果，從多張樣本圖像中篩選出目標(biāo)樣本圖像。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述計(jì)算所述樣本圖像屬于預(yù)設(shè)目標(biāo)類別的類別概率，包括：

對(duì)所述樣本圖像進(jìn)行圖像特征提取，得到樣本圖像特征；

根據(jù)所述樣本圖像特征計(jì)算所述樣本圖像屬于預(yù)設(shè)目標(biāo)類別的類別概率。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對(duì)所述樣本圖像進(jìn)行圖像特征提取，得到樣本圖像特征，包括：

對(duì)所述樣本圖像進(jìn)行預(yù)處理，得到預(yù)處理后樣本圖像；

采用分類模型中的殘差網(wǎng)絡(luò)對(duì)所述預(yù)處理后樣本圖像進(jìn)行圖像特征提取，得到樣本圖像特征。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述樣本圖像特征計(jì)算所述樣本圖像屬于預(yù)設(shè)目標(biāo)類別的概率，包括：

采用分類模型中的分類網(wǎng)絡(luò)對(duì)所述樣本圖像特征進(jìn)行加權(quán)求和，得到所述樣本圖像屬于預(yù)設(shè)目標(biāo)類別的類別分?jǐn)?shù)；

將所述類別分?jǐn)?shù)進(jìn)行歸一化，得到所述樣本圖像屬于預(yù)設(shè)目標(biāo)類別的概率。

5.根據(jù)權(quán)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(xùn)練樣本圖像；

采用所述訓(xùn)練樣本圖像對(duì)第一網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第一預(yù)測(cè)值；

根據(jù)所述訓(xùn)練樣本圖像的真實(shí)值與第一預(yù)測(cè)值，采用第一損失函數(shù)對(duì)第一網(wǎng)絡(luò)進(jìn)行收斂，得到訓(xùn)練后第一網(wǎng)絡(luò)；

采用所述訓(xùn)練樣本圖像對(duì)第二網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第二預(yù)測(cè)值；

根據(jù)所述訓(xùn)練樣本圖像的真實(shí)值與第二預(yù)測(cè)值，采用第二損失函數(shù)對(duì)第二網(wǎng)絡(luò)進(jìn)行收斂，得到訓(xùn)練后第二網(wǎng)絡(luò)；

采用所述訓(xùn)練樣本圖像對(duì)第三網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第三預(yù)測(cè)值；

根據(jù)所述訓(xùn)練樣本圖像的真實(shí)值與第三預(yù)測(cè)值，采用第三損失函數(shù)對(duì)第三網(wǎng)絡(luò)進(jìn)行收斂，得到訓(xùn)練后第三網(wǎng)絡(luò)；

根據(jù)所述訓(xùn)練后第一網(wǎng)絡(luò)、所述訓(xùn)練后第二網(wǎng)絡(luò)和所述訓(xùn)練后第三網(wǎng)絡(luò)，確定分類模型。

6.根據(jù)權(quán)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(duì)所述樣本圖像進(jìn)行分類，根據(jù)分類結(jié)果從多張樣本圖像中確定至少一張正樣本圖像，包括：

根據(jù)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(duì)所述樣本圖像進(jìn)行分類；

根據(jù)分類結(jié)果從多張樣本圖像中確定至少一張正樣本圖像。

7.根據(jù)權(quán)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(duì)所述至少一張正樣本圖像進(jìn)行特征提取之前，還包括：

獲取多張訓(xùn)練樣本圖像；

利用預(yù)設(shè)深度聚類模型對(duì)所述訓(xùn)練樣本圖像進(jìn)行特征提取，得到訓(xùn)練樣本圖像特征；

基于所述訓(xùn)練樣本圖像特征對(duì)所述訓(xùn)練樣本圖像進(jìn)行聚類，根據(jù)聚類結(jié)果對(duì)所述預(yù)設(shè)深度聚類模型進(jìn)行調(diào)整，直到所述預(yù)設(shè)深度聚類模型收斂，得到深度聚類模型。