[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

本發明實施例公開了一種圖像篩選方法、裝置和計算機可讀存儲介質；本發明實施例可以獲取多張樣本圖像、以及該樣本圖像對應的圖像屬性信息，然后，計算該樣本圖像屬于預設目標類別的類別概率，再基于該類別概率和該圖像屬性信息對該樣本圖像進行分類，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，接著，對該至少一張正樣本圖像進行聚類，得到該正樣本圖像的至少一個聚類結果，再然后，根據該至少一個聚類結果，從多張樣本圖像中篩選出的目標樣本圖像；該方案可以有效地提高圖像篩選的效率。

技術領域

本發明涉及通信技術領域，具體涉及一種圖像篩選方法、裝置和計算機可讀存儲介質。

背景技術

隨著深度學習近年來的高速發展，在搜索技術，數據挖掘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多復雜的模式識別難題，使得人工智能相關技術取得了很大進步。因此，越來越多的深度學習模型被成功應用于各個領域的各個業務場景中，為了持續優化和更新業務場景的線上模型，作為數據驅動的深度學習算法，收集算法置信度不高的目標類別困難圖像顯得非常重要。困難圖像(Hard Case)的實質是深度模型的邊緣樣本，即目標類別與其他類別難以分開的樣本。針對這個問題，目前尚未提出非常有效的解決方案。

發明內容

本發明實施例提供一種圖像篩選方法、裝置和計算機可讀存儲介質，可以有效地提高圖像篩選的效率。

本發明實施例提供一種圖像篩選方法，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；

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；

對所述至少一張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的目標樣本圖像。

相應的，本發明實施例還提供一種圖像篩選裝置，包括：

獲取單元，用于獲取多張樣本圖像、以及所述樣本圖像對應的圖像屬性信息；

計算單元，用于計算所述樣本圖像屬于預設目標類別的類別概率；

分類單元，用于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；

聚類單元，用于對所述至少一張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；

篩選單元，用于根據所述至少一個聚類結果，從多張樣本圖像中篩選出的目標樣本圖像。

可選的，在一些實施例中，所述計算單元可以包括提取子單元和計算子單元，如下：

所述提取子單元，用于對所述樣本圖像進行圖像特征提取，得到樣本圖像特征；

所述計算子單元，用于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。

可選的，在一些實施例中，所述提取子單元，具體可以用于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。

可選的，在一些實施例中，所述計算子單元，具體可以用于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。