申请/专利权人：北京达佳互联信息技术有限公司

申请日：2019-05-20

公开（公告）日：2021-09-17

公开（公告）号：CN110135505B

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.09.17#授权;2019.09.10#实质审查的生效;2019.08.16#公开

摘要：本公开关于一种图像分类方法、装置、计算机设备及计算机可读存储介质。通过将待分类图像属于各个类别的概率值与概率阈值进行比较，当该概率值小于概率阈值时，将待分类图像的图像特征与多个类别特征进行匹配，确定与该图像特征匹配成功的类别特征，由于类别特征可以用于表示一个类别的图像应具有的特征，因此，可以将所确定的类别特征对应的类别作为该图像所属的类别，在保证分类结果准确率的同时，提高了图像分类任务中的召回率，使得图像分类任务中被正确分类的图像数量大幅增多。

主权项：1.一种图像分类方法，其特征在于，所述方法应用于计算机设备，所述方法包括：从目标视频中截取图像；基于分类模型，获取所述图像的多个概率值，一个概率值用于表示所述图像属于一个类别的概率；当所述多个概率值均小于上限概率阈值，且所述多个概率值中至少一个概率值属于目标阈值区间时，获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在所述目标特征层所输出特征的平均特征，所述目标阈值区间由所述上限概率阈值和下限概率阈值构成；确定与所述图像特征之间的相似度符合目标条件的类别特征，将所述类别特征对应的类别作为所述图像所属的类别；当所述多个概率值均小于所述下限概率阈值，则停止处理所述图像。

全文数据：图像分类方法、装置、计算机设备及计算机可读存储介质技术领域本公开涉及图像处理技术领域，尤其涉及图像处理方法、装置、计算机设备及计算机可读存储介质。背景技术近来，深度学习在图像分类领域被广泛应用，卷积神经网络作为深度学习的一个重要分支，因其超强的拟合能力，使得图像分类任务在应用卷积神经网络之后，分类结果的准确率大幅提升。目前，在传统图像分类方式中，对于一幅待分类的图像，需将其输入到卷积神经网络模型中，从而获得输入的图像属于各个类别的概率，当图像属于某类别的概率大于预设阈值时，即可认为输入的图像属于该类别。但是由于某些图像类别本身较难区分，为了确保分类结果的准确率，通常会将阈值设置为一个较大的数值，这时分类结果的准确率会有很大的提升，但是召回率就会锐减，即实际被正确分类的图像占应该被正确分类的图像的比率大幅降低，导致最终获得被正确分类的图像数量大大降低。发明内容本公开提供一种图像分类方法、装置、计算机设备及计算机可读存储介质，以至少解决相关技术中被正确分类的图像数量少的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种图像分类方法，包括：基于分类模型，获取图像的多个概率值，一个概率值用于表示该图像属于一个类别的概率；当该多个概率值均小于概率阈值，获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在该目标特征层所输出特征的平均特征；确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。在一种可能实现方式中，该获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度包括：获取该图像特征和该多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。在一种可能实现方式中，该确定与该图像特征之间的相似度符合目标条件的类别特征包括：将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。在一种可能实现方式中，该获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度之前，该方法还包括：根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。在一种可能实现方式中，该根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征包括：将该分类模型对应的多个类别的样本图像输入该分类模型；获取该样本图像基于该分类模型在目标特征层所输出的样本图像特征；基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征；获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能实现方式中，该确定与该图像特征之间的相似度符合目标条件的类别特征之前，该方法还包括：当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则执行获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。根据本公开实施例的第二方面，提供一种图像分类装置，包括：概率值获取单元，被配置为基于分类模型，获取图像的多个概率值；相似度获取单元，被配置为当该多个概率值均小于概率阈值，获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在该目标特征层所输出特征的平均特征；确定单元，被配置为确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。在一种可能实现方式中，该相似度获取单元被配置为：获取该图像特征和该多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。在一种可能实现方式中，该装置还包括：排序单元，被配置为将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。在一种可能实现方式中，该装置还包括：特征获取单元，被配置为根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。在一种可能实现方式中，该特征获取单元被配置为：将该分类模型对应的多个类别的样本图像输入该分类模型；获取该样本图像基于该分类模型在目标特征层所输出的样本图像特征；基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征；获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能实现方式中，该装置还包括：执行单元，被配置为当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则执行获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。根据本公开实施例的第三方面，提供一种计算机设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述任一项所述的图像分类方法。根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由计算机设备的处理器执行时，使得所述计算机设备能够执行如上述任一项所述的图像分类方法。根据本公开实施例的第五方面，提供一种计算机程序产品，包括可执行指令，当所述计算机程序产品中的指令由计算机设备的处理器执行时，使得所述计算机设备能够执行如上述任一项所述的图像分类方法。本公开的实施例提供的技术方案至少带来以下有益效果：通过将待分类图像属于各个类别的概率值与概率阈值进行比较，当该概率值小于概率阈值时，将待分类图像的图像特征与多个类别特征进行匹配，确定与该图像特征匹配成功的类别特征，由于类别特征可以用于表示一个类别的图像应具有的特征，因此，可以将所确定的类别特征对应的类别作为该图像所属的类别，在保证分类结果准确率的同时，提高了图像分类任务中的召回率，使得图像分类任务中被正确分类的图像数量大幅增多。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。图1是根据一示例性实施例示出的一种图像分类方法的流程图。图2为根据一示例性实施例示出的一种具体图像分类方法的流程图。图3为根据一示例性实施例示出的一种类别特征获取的流程图。图4是根据一示例性实施例示出的一种图像分类装置框图。图5是根据一示例性实施例示出的一种计算机设备的框图。具体实施方式为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。图1是根据一示例性实施例示出的一种图像分类方法的流程图，如图1所示，该数据处理方法用于计算机设备中，包括以下步骤。在步骤101中，计算机设备基于分类模型，获取图像的多个概率值。在步骤102中，当该多个概率值均小于概率阈值，计算机设备获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度。在步骤103中，计算机设备确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。本公开提供的实施例，通过在分类模型对待分类图像进行类别预测后，基于该预测结果，对待分类图像特征与多个类别特征进行相似度比对，基于该相似度比对结果对待分类图像所属类别进行二次确认，提高了图像分类任务中样本的召回量。在一种可能实现方式中，该获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度包括：获取该图像特征和该多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。在一种可能实现方式中，该确定与该图像特征之间的相似度符合目标条件的类别特征包括：将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。在一种可能实现方式中，该获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度之前，该方法还包括：根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。在一种可能实现方式中，该根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征包括：将该分类模型对应的多个类别的样本图像输入该分类模型；获取该样本图像基于该分类模型在目标特征层所输出的样本图像特征；基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征；获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能实现方式中，该确定与该图像特征之间的相似度符合目标条件的类别特征之前，该方法还包括：当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则执行获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。上述实施例仅是本公开的实施方式的一个简要介绍以及各种可能实现方式的简要介绍，具体地，下面结合图2对上述图像分类过程进行具体说明。在步骤201中，计算机设备获取待分类图像，将该图像输入分类模型。其中，该待分类图像可以为存储在计算机设备中的一幅或一组图像，也可以为该计算机设备在目标视频中截取的图像，本发明实施例对具体采用哪种图像不做限定。上述分类模型用于对图像所属的类别进行预测，该分类模型可以为深度学习模型，例如卷积神经网络模型等。以卷积神经网络该模型为例，该模型包括输入层、卷积层、池化层、全连接层以及输出层等。其中，输入层用于将计算机设备获取的图像输入分类模型，并将输入图像转化为数字矩阵，以便该分类模型进行后续运算过程；卷积层用于对输入层生成的矩阵进行卷积运算，基于该卷积运算结果对图像提取局部特征，该分类模型可以包括多个卷积层；池化层用于将卷积层获得的特征提取值进行量化，来获得维度较小的矩阵，以便对图像特征进一步提取，该分类模型可以包括多个池化层；全连接层用于将提取到的局部特征通过权值矩阵，整合为完整图像特征，全连接层可以接收其上层输出的矩阵，基于该矩阵，输出一个N维向量，该N维向量中的各个数字用于代表该输入图像属于各个类别的概率；输出层用于获取全连接层输出的N维向量，基于该N维向量输出该输入图像属于各个类别的概率值。其中，N为大于1的整数。本发明实施例中使用的分类模型modelori为已训练完成的分类模型，该分类模型modelori的训练数据集可以为包括N类图像的数据集，其中每个图像对应一个类别标签，该分类模型modelori由该训练数据集训练后，可以对输入图像属于该N类中各个类别的概率进行预测。在步骤202中，该计算机设备基于分类模型，获取图像的多个概率值，一个概率值用于表示所述图像属于一个类别的概率。在一种可能实现方式中，该计算机设备基于分类模型，获取该图像的多个概率值具体可以通过以下步骤：首先，分类模型modelori在输入层对输入图像进行预处理，将该图像转化为由多个像素值组成的数字矩阵；然后，该计算机设备通过该分类模型modelori的卷积层对该数字矩阵进行多次卷积运算，基于该卷积运算结果，对输入图像进行局部特征提取，通过池化层对提取到的图像特征值进行量化；最后，在目标特征层可以为该分类模型的倒数第二层即全连接层提取完整图像特征featuresi，且在该目标特征层输出一个N维向量，其中N是该分类模型对应的图像类别的数目，该N维向量中的各个数字表示该图像属于每个类别的概率值probk,该N个概率值probk之和为1，可以表示为下述公式1：其中，N表示参与求和运算的概率值probk的个数，k表示该概率值probk对应的序号。需要说明的是，上述基于分类模型modelori获取概率值的方法说明仅是一种概率值获取方法的示例性介绍，本发明实施例对具体采用哪种分类模型获取概率值不做限定。在步骤203中，该计算机设备将获取到的多个概率值与概率阈值进行比较。为确保图像分类结果的准确率，需要在图像分类任务中设置概率阈值，该概率阈值用于对获取到的概率值进行筛选，开发人员可以根据具体分类任务设置该概率阈值。在本发明实施例中，需设置两个概率阈值，即上限概率阈值τ和下限概率阈值η，其中τ∈[0,1]，η∈[0,1]，且ητ。上述上限概率阈值τ和下限概率阈值η可以构成一个区间[η,τ]，在本发明实施例中，将该区间设置为目标阈值区间。该计算机设备将获取到的该N个概率值probk分别与上限概率阈值τ和下限概率阈值η进行比较，该计算机设备基于获取到的比较结果，执行下述步骤204至206中的任一项。在步骤204中，当该多个概率值中至少一个概率值大于概率阈值时，则该计算机设备输出该图像对应的类别。该计算机设备获取的比较结果中，存在至少一个概率值probk大于上限概率阈值τ时，则认为该图像属于该至少一个概率值对应的类别，该计算机设备输出该至少一个类别对应的标签，该所输出的标签即代表了该图像的类别。在步骤205中，当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则该计算机设备获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，执行下述步骤207至209。该计算机设备获取的比较结果中，该多个概率值probk均小于上限概率阈值τ，且该多个概率值中至少一个概率值属于目标阈值区间[η,τ]时，则执行下述步骤207至209。在步骤206中，当该多个概率值均小于概率阈值，且均不属于目标阈值区间时，则该计算机设备停止处理该图像。该计算机设备获取的比较结果中，该多个概率值probk均小于下限概率阈值η时，则认为该图像不属于该分类模型modelori对应的N个类别中的任一类，该计算机设备停止对该图像进行处理，继续获取下一个图像进行分类处理。在步骤207中，该计算机设备获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度。其中，该图像特征为步骤202中，该计算机设备通过该分类模型modelori在目标特征层提取的完整图像特征featuresi。其中，该多个类别特征可以用于指示样本图像对应的多个类别的特征，每一个类别特征可以表示为featuretraining_avg，一个类别特征可以用于表示一个类别的图像应具有的特征。上述相似度可以用特征之间的距离来表示，也即是，上述步骤207的相似度获取过程可以包括：该计算机设备获取该图像特征和该多个类别特征中每个类别特征之间的距离。在一种可能的实现方式中，该距离可以是指用于指代特征的向量之间的余弦距离，也即是，该计算机设备可以计算该图像特征featuresi和每一个类别特征featuretraining_avg之间的余弦距离distancen，来获取该图像特征和多个类别特征之间的相似度。其中，该余弦距离distancen等于featuresi与每一个featuretraining_avg的夹角的余弦值，计算公式2如下：distancen＝cosfeaturei,featuretraining_avg2其中，n表示该余弦距离对应的序号，i表示当前输入图像对应的序号，featuresi表示当前输入图像的图像特征向量，featuretraining_avg表示一个类别特征向量。在步骤208中，该计算机设备确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。在确定相似度符合目标条件的类别特征时，该计算机设备可以将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。由于距离的大小可以表示相似度大小，因此，所选择的数值最小的距离所对应的类别特征实际上是与该图像特征之间最相似。当然上述经过相似度是否符合的判定所确定的类别可以有一个或多个，当类别有多个时，可以将该多个类别均作为该图像的类别来输出，也即是，计算机设备输出至少一个标签作为该图像的标签。本发明实施例提供的技术方案，通过将待分类图像属于各个类别的概率值与概率阈值进行比较，当该概率值小于概率阈值时，将待分类图像的图像特征与多个类别特征进行匹配，确定与该图像特征匹配成功的类别特征，由于类别特征可以用于表示一个类别的图像应具有的特征，因此，可以将所确定的类别特征对应的类别作为该图像所属的类别，在保证分类结果准确率的同时，提高了图像分类任务中的召回率，使得图像分类任务中被正确分类的图像数量大幅增多。上述多个类别特征用于指示样本图像中的各个类别，其中，该样本图像可以为该分类模型modelori的训练数据集，也可以为与该训练数据集对应类别相同的数据集，本发明实施例对具体采用哪种数据集不做限定。该计算机设备根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。图3是本发明实施例提供的一种类别特征获取方法的流程图，参照图3，具体包括如下步骤：在步骤301中，计算机设备将该分类模型modelori对应的多个类别的样本图像输入该分类模型modelori。上述分类模型modelori与步骤202中对输入图像进行分类预测的分类模型modelori为同一模型。在步骤302中，该计算机设备获取该样本图像基于该分类模型modelori在目标特征层所输出的样本图像特征。该计算机设备通过该分类模型modelori，对样本图像对应的像素矩阵进行卷积运算，并基于该卷积运算结果，对样本图像进行特征提取，在目标特征层输该样本图像的特征featuresori。其中，该目标特征层与步骤202中输出图像特征featuresi的目标特征层为同一层，该目标特征层可以为该分类模型modelori的倒数第二层即全连接层。在本发明实施例中，通过同一模型的相同位置输出图像特征featuresi和样本图像特征featuresori，使得该计算机设备获取的输入图像和样本图像的相似度更为准确，便于后续对图像类别进行再次确认。在步骤303中，该计算机设备基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征。在步骤304中，该计算机设备获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能的实现方式中，对于每一组样本图像特征，该计算机设备可以通过对该组中各个特征featuresori的每一位求平均值，来获取该组样本图像特征的平均特征featuretraining_avg。其中该组样本图像特征中每一位的平均值可以用表示，计算公式3如下：其中，n表示该组样本图像对应的序号，k表示该样本图像特征的第k位，k∈0,n]，M表示该组样本图像中包括样本图像的个数，n_i表示该组样本图像中的第i个样本图像。对于每一组样本图像特征，该计算机设备可以获取N个该N个可以构成该组样本图像特征的平均特征featuretraining_avg。该计算机设备通过获取每一组样本图像的平均特征，可以准确表示该组样本图像特征对应类别的类别特征，避免因某个样本图像特征不能与类别特征完全吻合，而导致的后续步骤中相似度获取结果有误。图4是根据一示例性实施例示出的一种图像分类装置框图。参照图4，该装置包括概率值获取单元401、相似度获取单元402和确定单元403。概率值获取单元401，被配置为基于分类模型，获取图像的多个概率值；相似度获取单元402，被配置为当该多个概率值均小于概率阈值，获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在该目标特征层所输出特征的平均特征；确定单元403，被配置为确定与该图像特征之间的相似度符合目标条件的类别特征，将该类别特征对应的类别作为该图像所属的类别。在一种可能实现方式中，该相似度获取单元被配置为：获取该图像特征和该多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。在一种可能实现方式中，该装置还包括：排序单元，被配置为将获取到的各个距离按数值大小排序，将该各个距离中最小距离对应的类别特征作为符合该目标条件的类别特征。在一种可能实现方式中，该装置还包括：特征获取单元，被配置为根据该分类模型和该分类模型对应的多个类别的样本图像，获取多个类别特征。在一种可能实现方式中，该特征获取单元被配置为：将该分类模型对应的多个类别的样本图像输入该分类模型；获取该样本图像基于该分类模型在目标特征层所输出的样本图像特征；基于该样本图像的类别，对该样本图像特征进行分组，每一个类别对应一组样本图像特征；获取该每一组样本图像特征的平均特征，将该平均特征作为该一组样本图像特征对应类别的类别特征。在一种可能实现方式中，该装置还包括：执行单元，被配置为当该多个概率值均小于概率阈值，且该多个概率值中至少一个概率值属于目标阈值区间时，则执行获取该分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。图5是根据一示例性实施例示出的一种计算机设备的框图。该计算机设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器centralprocessingunits，CPU501和一个或一个以上的存储器502，其中，所述存储器502中存储有至少一条指令，所述至少一条指令由所述处理器501加载并执行以实现上述各个方法实施例提供的图像分类方法。当然，该计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备还可以包括其他用于实现设备功能的部件，在此不做赘述。在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器504，上述指令可由计算机设备500的处理器520执行以完成上述方法。可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器RAM、CD-ROM、磁带、软盘和光数据存储设备等。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

权利要求：1.一种图像分类方法，其特征在于，所述方法包括：基于分类模型，获取图像的多个概率值，一个概率值用于表示所述图像属于一个类别的概率；当所述多个概率值均小于概率阈值，获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在所述目标特征层所输出特征的平均特征；确定与所述图像特征之间的相似度符合目标条件的类别特征，将所述类别特征对应的类别作为所述图像所属的类别。2.根据权利要求1所述的方法，其特征在于，所述获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度包括：获取所述图像特征和所述多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。3.根据权利要求2所述的方法，其特征在于，所述确定与所述图像特征之间的相似度符合目标条件的类别特征包括：将获取到的各个距离按数值大小排序，将所述各个距离中最小距离对应的类别特征作为符合所述目标条件的类别特征。4.根据权利要求1所述的方法，其特征在于，所述获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度之前，所述方法还包括：根据所述分类模型和所述分类模型对应的多个类别的样本图像，获取多个类别特征。5.根据权利要求4所述的方法，其特征在于，所述根据所述分类模型和所述分类模型对应的多个类别的样本图像，获取多个类别特征包括：将所述分类模型对应的多个类别的样本图像输入所述分类模型；获取所述样本图像基于所述分类模型在目标特征层所输出的样本图像特征；基于所述样本图像的类别，对所述样本图像特征进行分组，每一个类别对应一组样本图像特征；获取所述每一组样本图像特征的平均特征，将所述平均特征作为所述一组样本图像特征对应类别的类别特征。6.根据权利要求1所述的方法，其特征在于，所述确定与所述图像特征之间的相似度符合目标条件的类别特征之前，所述方法还包括：当所述多个概率值均小于概率阈值，且所述多个概率值中至少一个概率值属于目标阈值区间时，则执行获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度的步骤。7.一种图像分类装置，其特征在于，所述装置包括：概率值获取单元，被配置为基于分类模型，获取图像的多个概率值；相似度获取单元，被配置为当所述多个概率值均小于概率阈值，获取所述分类模型在目标特征层所输出的图像特征和多个类别特征之间的相似度，一个类别特征用于表示同一类别的样本图像在所述目标特征层所输出特征的平均特征；确定单元，被配置为确定与所述图像特征之间的相似度符合目标条件的类别特征，将所述类别特征对应的类别作为所述图像所属的类别。8.根据权利要求7所述的装置，其特征在于，所述相似度获取单元被配置为：获取所述图像特征和所述多个类别特征中每个类别特征之间的距离，特征之间的距离用于表示相似度。9.一种计算机设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的图像分类方法。10.一种存储介质，当所述存储介质中的指令由计算机设备的处理器执行时，使得所述计算机设备能够执行如权利要求1至6中任一项所述的图像分类方法。

百度查询： 北京达佳互联信息技术有限公司 图像分类方法、装置、计算机设备及计算机可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD