[發明專利]一種圖像分類方法、裝置、電子設備及存儲介質

在審

• 申請號: 202011035129.8
• 申請日: 2020-09-27
• 公開（公告）號: CN112182268A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 申世偉
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種圖像分類方法，其特征在于，包括：

獲取與原始圖像數據集對應的至少兩個目標圖像數據集，每個所述目標圖像數據集包括第一圖像數據集和第二圖像數據集；

分別將至少兩個所述第一圖像數據集輸入至圖像分類模型中進行訓練，得到至少兩個目標模型；

將至少兩個所述第二圖像數據集分別輸入至所述目標模型中，得到多個預測結果；

根據各預測結果，對基于所述原始圖像數據集的圖像分類任務的復雜度進行確定；根據復雜度參數與設定閾值的關系，重新確定第一圖像數據集，并根據所述重新確定的第一圖像數據集確定最終的圖像分類模型。

2.根據權利要求1所述的方法，其特征在于，所述根據各預測結果，對基于所述目標圖像數據集的圖像分類任務的復雜度進行確定步驟包括：

根據各所述預測結果確定與所述圖像分類任務對應的復雜度參數，并根據所述復雜度參數對所述圖像分類任務的復雜度進行確定。

3.根據權利要求2所述的方法，其特征在于，所述根據各所述預測結果確定與所述圖像分類任務對應的復雜度參數步驟包括：

分別確定多個所述預測結果中的目標預測結果和參考預測結果，確定所述目標預測結果與參考預測結果之間的偏差；

對各所述偏差進行歸一化，并將各歸一化結果的均值作為與所述圖像分類任務對應的復雜度參數。

4.根據權利要求3所述的方法，其特征在于，基于如下公式確定與所述圖像分類任務對應的所述復雜度參數：

其中，K為所述復雜度參數，N為測試集的數量，N＝2；A(i,j)表示測試集j輸入至目標模型i得到的預測結果；A(i,i)表示測試集i輸入至目標模型i得到的預測結果。

5.根據權利要求1所述的方法，其特征在于，所述根據復雜度參數與設定閾值的關系，重新確定第一圖像數據集，并根據所述重新確定的第一圖像數據確定最終的圖像分類模型步驟，包括：

當所述復雜度參數小于或者等于設定閾值時，將至少兩個所述第一圖像數據集進行合并，以重新確定第一圖像數據集；

并將所述重新確定的第一圖像數據集輸入至圖像分類模型中進行訓練，得到最終的圖像分類模型。

6.根據權利要求1所述的方法，其特征在于，所述根據復雜度參數與設定閾值的關系，重新確定第一圖像數據集，并根據所述重新確定的第一圖像數據確定最終的圖像分類模型步驟，還包括：

當所述復雜度參數大于設定閾值時，向至少兩個第一圖像數據集中增加補充數據，與各所述第一圖像數據集中的原始數據共同作為多模態訓練樣本；

將所述多模態訓練樣本輸入至第一深度學習模型中進行訓練；

其中，所述補充數據的模態包括下述至少一種：圖像數據、文本數據、語音數據和用戶行為數據。

7.根據權利要求1-6中任一項所述的方法，其特征在于，在所述確定最終的圖像分類模型步驟之后，所述方法還包括：

通過所述最終的圖像分類模型對任一第二圖像數據集圖像進行分類。

8.一種圖像分類裝置，其特征在于，包括：

獲取模塊，被配置為獲取與原始圖像數據集對應的至少兩個目標圖像數據集，每個所述目標圖像數據集包括第一圖像數據集和第二圖像數據集；

第一訓練模塊，被配置為分別將至少兩個所述第一圖像數據集輸入至深度學習模型中進行訓練，得到至少兩個目標模型；

測試模塊，被配置為將至少兩個所述第二圖像數據集分別輸入至所述目標模型中，得到多個預測結果；

確定模塊，被配置為根據各預測結果，對基于所述原始圖像數據集的模型訓練任務的復雜度進行確定；

第二訓練模塊，被配置為根據復雜度參數與設定閾值的關系，重新確定第一圖像數據集，并根據所述重新確定的第一圖像數據集確定最終的圖像分類模型。