[發明專利]圖像分類方法、裝置、設備和存儲介質

在審

• 申請號: 202010565300.X
• 申請日: 2020-06-19
• 公開（公告）號: CN111930935A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 張文俊
• 申請（專利權）人: 普聯國際有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06K9/62
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

本發明公開了一種圖像分類方法，包括：將待分類圖像輸入到預先訓練好的圖像分類器中，以使所述圖像分類器輸出所述待分類圖像的若干個不同類別的概率向量；其中，所述概率向量為所述待分類圖像被正確分成當前類別的概率；從所述若干個不同類別的概率向量中獲取最大的概率向量所對應的類別為目標類別；判斷所述目標類別的概率向量與所述圖像分類器的輸出響應的乘積是否大于預設閾值；若是，判定所述待分類圖像屬于所述目標類別；若否，判定所述待分類圖像屬于背景圖像。本發明還公開了一種圖像分類裝置、一種圖像分類設備和一種計算機可讀存儲介質。采用本發明實施例，能有效提高圖像分類的準確率。

技術領域

本發明涉及圖像分類領域，尤其涉及一種圖像分類方法、裝置、設備和存儲介質。

背景技術

近年來，伴隨著科技的飛速發展，基于機器學習的認知系統，尤其是圖像分類方面的能力在逐步趕超人類。然而，現實相比于嚴格控制環境變量的實驗室有許多的不確定性，為圖像分類帶來了許多的挑戰。例如，對于一個圖像分類目標為貓和狗的機器學習分類器，輸入一張車輛的照片，模型往往會將無法正確分類。為達到準確分類的目的，傳統的圖像分類技術中通常采用訓練分類器的方式對圖像進行特征提取，首先對圖像特征進行相似度計算，然后根據相似度，對特征圖進行聚類及優化以獲得各類別的簇心，從而分類以獲得開集類別。但上述方式沒有充分考慮到同一種類別圖像中的類內信息，可能導致簇心的位置不良，進而導致圖像分類的準確性較低。另外，傳統的圖像分類技術中要求所有的未知類的特征都聚集在超空間的一部份區域內，但是在訓練的時候卻沒有對未知類的數據進行限制，這對于數量有限的數據集是難以達到的，最后導致的特征分布可能如圖1所示，圖1中黑色的點表示未知類，未被分類的未知類別占比較大，分類準確性低。

發明內容

本發明實施例的目的是提供一種圖像分類方法、裝置、設備和存儲介質，能有效提高圖像分類的準確率。

為實現上述目的，本發明實施例提供了一種圖像分類方法，包括：

將待分類圖像輸入到預先訓練好的圖像分類器中，以使所述圖像分類器輸出所述待分類圖像的若干個不同類別的概率向量；其中，所述概率向量為所述待分類圖像被正確分成當前類別的概率；

從所述若干個不同類別的概率向量中獲取最大的概率向量所對應的類別為目標類別；

判斷所述目標類別的概率向量與L2范數的乘積是否大于預設閾值；

若是，判定所述待分類圖像屬于所述目標類別；若否，判定所述待分類圖像屬于背景圖像。

作為上述方案的改進，所述圖像分類器的訓練方法包括：

獲取數據集；其中，所述數據集包括若干個不同類別的目標圖像和一類背景圖像；

將當前類別下的所有目標圖像輸入到預設分類器中，以使所述預設分類器將所述目標圖像劃分為典型數據和非典型數據；

計算當前類別的所述目標圖像在所述數據集中所占的第一比例和所述背景圖像在所述數據集中所占的第二比例；

根據當前類別的所述目標圖像、所述第一比例、所述第二比例構建待訓練的圖像分類器的損失函數；其中，所述圖像分類器用于輸出預設長度的向量，并將輸出的所述向量輸入輸出層，得到預設長度的概率向量；

將所述典型數據和所述非典型數據輸入到所述圖像分類器中，以訓練所述圖像分類器。

作為上述方案的改進，所述將當前類別下的所有目標圖像輸入到預設分類器中，以使所述預設分類器將所述目標圖像劃分為典型數據和非典型數據，包括：

將當前類別下的所有目標圖像輸入到預設分類器中，以使所述預設分類器輸出對所述目標圖像的分類概率；其中，所述分類概率為所述目標圖像被所述預設分類器正確分類的概率；

對所有所述目標圖像的分類概率進行排序；