CN110738267B - 图像分类方法、装置、电子设备及存储介质 - Google Patents
图像分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110738267B CN110738267B CN201910995342.4A CN201910995342A CN110738267B CN 110738267 B CN110738267 B CN 110738267B CN 201910995342 A CN201910995342 A CN 201910995342A CN 110738267 B CN110738267 B CN 110738267B
- Authority
- CN
- China
- Prior art keywords
- preset number
- labels
- label
- tags
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种图像分类方法、装置、电子设备及存储介质,涉及计算机技术领域,所述方法包括:将目标图像输入预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签,确定预设数目个标签的信息熵,若信息熵大于或者等于预设阈值,则确定预设数目个标签的上级标签为目标图像的分类标签。采用本公开,电子设备可以准确确定目标图像的分类标签,该分类标签可以准确体现目标图像的分类结果。
Description
技术领域
本公开涉及计算机领域,尤其涉及一种图像分类方法、装置、电子设备及存储介质。
背景技术
目前,图像识别技术越来越多的应用于各个领域,其中包括根据图像识别技术识别图像中的物体的种类。
相关技术中,电子设备可以根据图像分类模型,确定图像的分类标签。例如,图像A中存在一只哈士奇,则电子设备可以根据图像分类模型,确定图像A的分类标签为“哈士奇”。
然而,对于不好分辨的物体,例如上述图像A中的哈士奇,存在一种与哈士奇十分相似的狗类:爱斯基摩犬,则电子设备可能会确定错误的分类标签,即电子设备有可能确定图像A的分类标签为“爱斯基摩犬”,因此会导致分类结果不准确。
发明内容
本公开提供一种图像分类方法、装置、电子设备及存储介质,以至少解决相关技术中对图像分类的结果不准确的问题。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:
将目标图像输入预设数目个图像分类模型,获取所述预设数目个图像分类模型输出的预设数目个标签;
确定所述预设数目个标签的信息熵,所述信息熵表示所述预设数目个标签与所述目标图像的相符程度;
若所述信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定所述预设数目个标签的公共上级标签为所述目标图像的分类标签,所述预设树状标签结构中级别越高的标签所表示的分类粒度越大,且同一级别的标签所表示的分类粒度相同。
可选的,所述确定所述预设数目个标签的信息熵步骤,包括:
根据所述预设数目个标签建立概率向量,所述概率向量包括所述预设数目个标签中,各相同的标签在所述预设数目个标签中出现的概率;
确定所述概率向量对应的信息熵。
可选的,在所述确定所述预设数目个标签的信息熵步骤之后,所述方法还包括:
若所述信息熵小于预设阈值,则确定所述预设数目个标签中出现概率最大的标签为所述目标图像的分类标签。
可选的,所述根据预设树状标签结构,确定所述预设数目个标签的公共上级标签为所述目标图像的分类标签步骤,包括:
根据预设树状标签结构,确定所述预设数目个标签在所述预设树状标签结构中最低一级的公共上级标签;
确定所述最低一级的公共上级标签为所述目标图像的分类标签。
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:
获取单元,被配置为执行将目标图像输入预设数目个图像分类模型,获取所述预设数目个图像分类模型输出的预设数目个标签;
确定单元,被配置为执行确定所述预设数目个标签的信息熵,所述信息熵表示所述预设数目个标签与所述目标图像的相符程度;
所述确定单元,还被配置为执行若所述信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定所述预设数目个标签的公共上级标签为所述目标图像的分类标签,所述预设树状标签结构中级别越高的标签所表示的分类粒度越大,且同一级别的标签所表示的分类粒度相同。
可选的,所述确定单元,具体被配置为执行:
根据所述预设数目个标签建立概率向量,所述概率向量包括所述预设数目个标签中,各相同的标签在所述预设数目个标签中出现的概率;
确定所述概率向量对应的信息熵。
可选的,
所述确定单元,还被配置为执行若所述信息熵小于预设阈值,则确定所述预设数目个标签中出现概率最大的标签为所述目标图像的分类标签。
可选的,所述确定单元,具体被配置为执行:
根据预设树状标签结构,确定所述预设数目个标签在所述预设树状标签结构中最低一级的公共上级标签;
确定所述最低一级的公共上级标签为所述目标图像的分类标签。
根据本公开实施例的第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面所述的方法步骤。
根据本公开实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
根据本公开实施例的第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
电子设备可以将目标图像输入至预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签,然后确定预设数目个标签的信息熵。若信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定预设数目个标签的公共上级标签为目标图像的分类标签。当信息熵大于或等于预设阈值时,表示该预设数目个标签不能准确表示目标图像的分类,因此,电子设备可以确定预设数目个标签在预设树状标签结构中的公共上级标签为目标图像的分类标签。由于公共上级标签可以代表该公共上级标签的所有下级标签,所以该分类标签可以代表预设数目个标签中任意一个,进而分类标签可以准确体现目标图像的分类结果。
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是根据一示例性实施例示出的另一种图像分类方法的流程图;
图3是根据一示例性实施例示出的另一种图像分类方法的流程图;
图4是根据一示例性实施例示出的另一种图像分类方法的流程图;
图5是根据一示例性实施例示出的一种预设树状标签结构的示意图;
图6是根据一示例性实施例示出的另一种图像分类方法的流程图;
图7是根据一示例性实施例示出的一种图像分类装置的框图;
图8是根据一示例性实施例示出的一种电子设备的结构框图。
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,该图像分类方法用于电子设备中,包括以下步骤:
步骤101、将目标图像输入预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签。
其中,图像分类模型用于对图像进行分类,电子设备可以将目标图像输入至图像分类模型中,并获取图像分类模型输出的标签,该标签即代表图像分类模型对目标图像的分类结果。
本公开实施例中,电子设备可以通过多个图像分类模型对目标图像进行分类,由于各图像分类模型不同,所以电子设备可以通过多个图像分类模型确定目标图像的多种分类结果。
本公开实施例中,预设数目个图像分类模型可以是预设数目个不同的图像分类模型,本公开实施例对预设数目不做限定。
例如,电子设备设置有10个图像分类模型,电子设备可以将图像A分别输入至这10个图像分类模型中,获取这10个图像分类模型输出的10个标签:“猫”,“狗”,“猴”,“哈士奇”,“猫”,“狗”,“猴”,“哈士奇”,“猫”,“狗”。
步骤102、确定预设数目个标签的信息熵。
信息熵表示预设数目个标签与目标图像的相符程度。信息熵越小,相符程度越高,表示该预设数目个标签越准确。信息熵越大,相符程度越低,表示该预设数目个标签越可能出现错误或者不准确的情况。
其中,信息熵是一种数学计算结果,电子设备可以通过信息熵的数值,明确概率向量的稳定程度。即概率向量中的各项越符合目标图像,信息熵越小,该概率向量越稳定。
同样可以理解的,预设数目个图像分类模型输出的预设数目个标签差别越大,信息熵越大,证明预设数目个标签与目标图像的相符程度越低。
步骤103、若信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定预设数目个标签的公共上级标签为目标图像的分类标签。
其中,上级标签为预设树状标签结构中级别高于预设数目个标签的标签,预设树状标签结构中同一级别的标签所表示的分类粒度相同,级别越高的标签所表示的分类粒度越大。
其中,若信息熵大于或者等于预设阈值,则证明目标图像的标签不能准确符合目标图像,因此需要确定预设数目个标签的公共上级标签。
其中,上级标签为比预设数目个标签所表示的内容范围更大的上一级标签,例如:“哈士奇”的上级标签可以为“狗”,“狗”的上级标签可以为“动物”。
公共上级标签为至少两个标签共有的上级标签,例如:“哈士奇”和“爱斯基摩犬”的公共上级标签可以是“狗”,也可以是“动物”。
预设阈值可以为预设的一个经验值,该经验值可以由人为根据经验进行设置,本公开实施例对预设阈值的大小以及设置方式不做限定。
本公开实施例中,若信息熵大于或者等于预设阈值,说明预设数目个标签与目标图像的相符程度低,即代表该预设数目个标签中大概率包括错误或者不准确的标签,则电子设备可以通过确定预设数目个标签的公共上级标签,该公共上级标签能够更加准确地反映目标图像的类别。
因为很多图像中的物体仅凭电子设备是无法区分的,例如“哈士奇”和“爱斯基摩犬”,所以在电子设备为目标图像进行分类的时候,电子设备也存在无法分辨预设数目个标签中准确的标签的情况。
然而,这些标签的上级标签是准确的,例如目标图像中存在一只狗,电子设备无法分辨这只狗是“哈士奇”还是“爱斯基摩犬”,但是,“哈士奇”和“爱斯基摩犬”的公共上级标签“狗”可以准确反映目标图像的分类,因此电子设备可以根据这种确定标签的规则,为目标图像附加准确的分类标签。
例如,将图像A输入10个图像分类模型后,得到10个分类模型输出的的10个标签:“猫”,“狗”,“猴”,“哈士奇”,“猫”,“狗”,“猴”,“哈士奇”,“猫”,“狗”。上述10个标签中,“猫”、“狗”和“猴”属于三个种类的动物,它们之间有明显的个体差异,而这10个图像分类模型针对图像A输出的10个标签不能明显体现图像A的类别,因此上述10个标签相与图像A的相符程度较低。
再例如,有10个图像分类模型针对图像B输出的10个标签:“狗”,“狗”,“狗”,“哈士奇”,“狗”,“狗”,“狗”,“哈士奇”,“狗”,“狗”。这10个标签中,“狗”和“哈士奇”均属于狗类,则图像B很大概率属于狗类标签,因此这10个标签与图像A的相符程度很高。
本公开实施例提供了一种图像分类方法,电子设备可以将目标图像输入至预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签,然后确定预设数目个标签的信息熵。若信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定预设数目个标签的公共上级标签为目标图像的分类标签。当信息熵大于或等于预设阈值时,表示该预设数目个标签不能准确表示目标图像的分类,因此,电子设备可以确定预设数目个标签在预设树状标签结构中的公共上级标签为目标图像的分类标签。由于公共上级标签可以代表该公共上级标签的所有下级标签,所以该分类标签可以代表预设数目个标签中任意一个,进而分类标签可以准确体现目标图像的分类结果。
可选地,如图2所示,上述步骤102、确定预设数目个标签的信息熵的具体可实施方式可以包括:
步骤1021、根据预设数目个标签建立概率向量。
其中,概率向量为预设数目个标签中,各相同的标签在预设数目个标签中出现的概率。
步骤1022、确定概率向量对应的信息熵。
在图2中,步骤101至步骤103与图1中的步骤101至步骤103相同,此处不再赘述。
在一种可实现方式中,电子设备可以先确定预设数目个标签的标签向量,再根据该标签向量建立预设数目个标签的概率向量。
其中,标签向量中包括预设数目个标签。
例如,有10个图像分类模型针对图像A输出的10个标签:“猫”,“狗”,“猴”,“哈士奇”,“猫”,“狗”,“猴”,“哈士奇”,“猫”,“狗”。则该10个标签的标签向量为:[猫,狗,猴,哈士奇,猫,狗,猴,哈士奇,猫,狗]。
电子设备根据该标签向量确定的概率向量为:[3/10,3/10,2/10,2/10],其中,“猫”在该10个标签中出现了3次,因此“猫”对应的概率为3/10。
“狗”在该10个标签中出现了3次,因此“狗”对应的概率为3/10。
“猴”在该10个标签中出现了2次,因此“猴”对应的概率为2/10。
“哈士奇”在该10个标签中出现了2次,因此“哈士奇”对应的概率为2/10。
电子设备确定该概率向量后,可以根据该概率向量计算该概率向量对应的信息熵,具体公式如下:
其中,H(x)为信息熵,i为概率向量中各概率对应的标签,pi为各标签在概率向量中对应的概率。
例如,p1为标签“猫”对应的概率:3/10,p2为标签“狗”对应的概率:3/10,p3为标签“猴”对应的概率:2/10,p4为标签“哈士奇”对应的概率:2/10。
由上述公式可知,i为各标签在概率向量中对应的概率,各标签与目标图像的符合程度越低,概率向量的信息熵就越大,概率向量符合目标图像的程度也就越低。
在实际应用中,概率向量对应的信息熵体现了概率向量的稳定程度,概率向量越稳定,则概率向量对应的预设数目个标签越符合目标图像的分类。因此,电子设备可以通过概率向量对应的信息熵,更准确的确定目标图像的分类标签。
可选的,如图3所示,在上述步骤102、确定预设数目个标签的信息熵之后,电子设备还可以通过下述步骤确定目标图像的分类标签,具体步骤为:
步骤301、若预设数目个标签的信息熵小于预设阈值,则确定预设数目个标签中出现概率最大的标签为目标图像的分类标签。
在图3中,步骤101至步骤103与图1中的步骤101至步骤103相同,此处不再赘述。
例如,图像A为一个哈士奇的图像,“哈士奇”、“狗”和“动物”三个标签都符合图像A,且三个标签的概率分别对应为8/10、1/10和1/10。若此时信息熵小于预设阈值,则电子设备可以直接确定这三个标签中出现概率最高的标签(“哈士奇”)作为目标图像的分类标签,即“哈士奇”是最符合图像A的标签。
其中,若预设数目个标签的信息熵小于预设阈值,则证明该预设数目个标签相对于目标图像的符合程度高,即该预设数目个标签能够准确地表示目标图像,则电子设备不需要确定预设数目个标签的最低一级的公共上级标签。取而代之的,电子设备可以直接确定预设数目个标签中出现概率最高的标签作为目标图像的分类标签。这样,可以保证电子设备在保证标签准确性的同时,为目标图像确定更能准确表示目标图像的标签。
可选的,如图4所示,上述步骤103、若信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定预设数目个标签的公共上级标签为目标图像的分类标签的具体实现方式可以为:
步骤1031、根据预设树状标签结构,确定预设数目个标签在预设树状标签结构中最低一级的公共上级标签。
步骤1032、确定最低一级的公共上级标签为目标图像的分类标签。
其中,预设数目个标签在预设树状标签结构中的公共上级标签可以包括不止一个,例如,“哈士奇”和“爱斯基摩犬”的公共上级标签可以为“狗”,也可以为“动物”。
在图4中,步骤101至步骤103与图1中的步骤101至步骤103相同,此处不再赘述。
采用该方法,电子设备可以确定预设树状标签结构中最低一级的公共上级标签为目标图像的分类标签。从而保证该公共上级标签所表示的分类能够涵盖该预设数目个标签中的任意一个标签所表示的分类,还可以在保证对目标图像的分类准确性的前提下,为目标图像确定分类粒度最小的标签,使得最终确定的标签能够更加准确地表示目标图像。
如图5所示,图5为本公开实施例提供的一种预设树状标签结构的示意图。
其中,若“哈士奇”为第一级标签,则“狗”为哈士奇的上级标签。同时,“爱斯基摩犬”与“哈士奇”为同一级分类标签,“爱斯基摩犬”与“哈士奇”的分类粒度相同。
若此时有4个不同的标签:“猫”、“狗”、“猴”和“哈士奇”,则根据上述确定预设数目个标签的公共上级标签的过程和图3所示的预设树状标签结构,“猫”的上级标签为“动物”和“生物”,“狗”的上级标签为“动物”和“生物”,“猴”的上级标签为“动物”和“生物”,“哈士奇”的上级标签为“狗”、“动物”和“生物”。
因此,“猫”、“狗”、“猴”和“哈士奇”对应的最低一级的公共上级标签为“动物”,这样就可以保证最低一级的公共上级标签可以代表“猫”、“狗”、“猴”和“哈士奇”中的任意一个标签。
根据图5所示的一种预设树状标签结构的示意图,本公开实施例提供一种确定最低一级的公共上级标签的可实现方式,具体可以包括:
其中,电子设备确定的概率向量中包括标签:“猫”、“狗”、“猴”和“哈士奇”。
a.从最上级标签“生物”遍历至标签“猫”;
b.将遍历过程中遇到的标签按照顺序缓存,这些标签即路径标签;
c.以同样的方式,遍历“狗”、“猴”和“哈士奇”;
d.确定各标签对应的路径标签中最低一级的标签“动物”为最低一级的公共上级标签。
在本公开实施例中,通过上述确定最低一级的公共上级标签的可实现方式,电子设备可以既保证目标图像的分类标签的准确,又可以保证目标图像的分类标签的分类粒度最细。
如图6所示,本公开实施例提供一种图像分类方法的实施例,具体步骤可以如下:
步骤601、将目标图像输入预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签。
步骤602、建立预设数目个标签的预测结果标签向量。
步骤603、根据预测结果标签向量建立预测结果标签向量对应的概率向量。
步骤604、计算概率向量对应的信息熵。
其中,信息熵为电子设备判断预设数目个标签是否可以准确表示目标图像所表示的内容的判断依据。
步骤605、判断信息熵是否小于预设阈值。若信息熵小于预设阈值,则执行步骤407,否则执行步骤606。
判断过程依据的公式具体如下:
其中,label(X)为目标图像的分类标签,Vote(X)为预设数目个标签中出现概率最大的标签,即步骤307的执行结果,Down(X)为预设数目个标签最低一级的公共上级标签,即步骤606的执行结果,α为预设阈值。
若信息熵H(x)小于预设阈值,则执行步骤307,若信息熵H(x)大于等于预设阈值,则执行步骤606。
步骤606、将预设数目个标签最低一级的公共上级标签作为目标图像的分类标签。
步骤607、确定预设数目个标签中出现概率最大的标签为目标图像的目标分类标签。
根据图6所示的实施例,若预设数目个标签可以准确表示目标图像所表示的内容,则电子设备可以直接从预设数目个分类标签中确定目标图像的分类标签,若预设数目个标签不能准确表示目标图像所表示的内容,则电子设备可以确定最低一级的公共上级标签作为目标图像的分类标签。
因此,无论是哪一种情况,电子设备都可以为目标图像确定可以准确表示目标图像内容的分类标签。
图7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7,该装置包括获取单元701和确定单元702。
获取单元701,被配置为执行将目标图像输入预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签;
确定单元702,被配置为执行确定预设数目个标签的信息熵,信息熵表示预设数目个标签与目标图像的相符程度;
确定单元702,还被配置为执行若信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定预设数目个标签的公共上级标签为目标图像的分类标签,预设树状标签结构中级别越高的标签所表示的分类粒度越大,且同一级别的标签所表示的分类粒度相同。
可选的,确定单元702,具体被配置为:
根据预设数目个标签建立概率向量,概率向量包括预设数目个标签中,各相同的标签在预设数目个标签中出现的概率;
确定概率向量对应的信息熵。
可选的,
确定单元702,还被配置为执行若信息熵小于预设阈值,则确定预设数目个标签中出现概率最大的标签为目标图像的分类标签。
可选的,确定单元702,具体被配置为执行:
根据预设树状标签结构,确定预设数目个标签在预设树状标签结构中最低一级的公共上级标签;
确定最低一级的公共上级标签为目标图像的分类标签。
本公开实施例提供了一种图像分类装置,电子设备可以将目标图像输入至预设数目个图像分类模型,获取预设数目个图像分类模型输出的预设数目个标签,然后确定预设数目个标签的信息熵。若信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定预设数目个标签的公共上级标签为目标图像的分类标签。当信息熵大于或等于预设阈值时,表示该预设数目个标签不能准确表示目标图像的分类,因此,电子设备可以确定预设数目个标签在预设树状标签结构中的公共上级标签为目标图像的分类标签。由于公共上级标签可以代表该公共上级标签的所有下级标签,所以该分类标签可以代表预设数目个标签中任意一个,进而分类标签可以准确体现目标图像的分类结果。
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8是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,电子设备可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备的打开/关闭状态,组件的相对定位,例如所述组件为电子设备的显示器和小键盘,传感器组件814还可以检测电子设备或电子设备一个组件的位置改变,用户与电子设备接触的存在或不存在,电子设备方位或加速/减速和电子设备的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器804,上述指令可由电子设备的处理器820执行以完成上述方法。可选地,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。
Claims (8)
1.一种图像分类方法,其特征在于,所述方法包括:
将目标图像输入预设数目个图像分类模型,获取所述预设数目个图像分类模型输出的预设数目个标签;
确定所述预设数目个标签的信息熵,所述信息熵表示所述预设数目个标签与所述目标图像的相符程度;
若所述信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定所述预设数目个标签的公共上级标签为所述目标图像的分类标签,所述预设树状标签结构中级别越高的标签所表示的分类粒度越大,且同一级别的标签所表示的分类粒度相同;其中,上级标签为比预设数目个标签所表示的内容范围更大的上一级标签,所述公共上级标签为至少两个标签共有的上级标签;
所述根据预设树状标签结构,确定所述预设数目个标签的公共上级标签为所述目标图像的分类标签步骤,包括:
根据预设树状标签结构,确定所述预设数目个标签在所述预设树状标签结构中最低一级的公共上级标签;
确定所述最低一级的公共上级标签为所述目标图像的分类标签;
其中,确定所述最低一级的公共上级标签的方式为:
针对每一个标签,从最上级标签遍历至该标签;
将遍历过程中遇到的标签按照顺序缓存,其中,所述遍历过程中遇到的标签为路径标签;
确定每一个标签对应的路径标签中最低一级的标签为最低一级的公共上级标签。
2.根据权利要求1所述图像分类方法,其特征在于,所述确定所述预设数目个标签的信息熵步骤,包括:
根据所述预设数目个标签建立概率向量,所述概率向量包括所述预设数目个标签中,各相同的标签在所述预设数目个标签中出现的概率;
确定所述概率向量对应的信息熵。
3.根据权利要求2所述图像分类方法,其特征在于,在所述确定所述预设数目个标签的信息熵步骤之后,所述方法还包括:
若所述信息熵小于预设阈值,则确定所述预设数目个标签中出现概率最大的标签为所述目标图像的分类标签。
4.一种图像分类装置,其特征在于,所述装置包括:
获取单元,被配置为执行将目标图像输入预设数目个图像分类模型,获取所述预设数目个图像分类模型输出的预设数目个标签;
确定单元,被配置为执行确定所述预设数目个标签的信息熵,所述信息熵表示所述预设数目个标签与所述目标图像的相符程度;
所述确定单元,还被配置为执行若所述信息熵大于或者等于预设阈值,则根据预设树状标签结构,确定所述预设数目个标签的公共上级标签为所述目标图像的分类标签,所述预设树状标签结构中级别越高的标签所表示的分类粒度越大,且同一级别的标签所表示的分类粒度相同;其中,上级标签为比预设数目个标签所表示的内容范围更大的上一级标签,所述公共上级标签为至少两个标签共有的上级标签;
所述确定单元,具体被配置为执行:
根据预设树状标签结构,确定所述预设数目个标签在所述预设树状标签结构中最低一级的公共上级标签;
确定所述最低一级的公共上级标签为所述目标图像的分类标签;其中,确定所述最低一级的公共上级标签的方式为:针对每一个标签,从最上级标签遍历至该标签;将遍历过程中遇到的标签按照顺序缓存,其中,所述遍历过程中遇到的标签为路径标签;确定每一个标签对应的路径标签中最低一级的标签为最低一级的公共上级标签。
5.根据权利要求4所述图像分类装置,其特征在于,所述确定单元,具体被配置为执行:
根据所述预设数目个标签建立概率向量,所述概率向量包括所述预设数目个标签中,各相同的标签在所述预设数目个标签中出现的概率;
确定所述概率向量对应的信息熵。
6.根据权利要求5所述图像分类装置,其特征在于,
所述确定单元,还被配置为执行若所述信息熵小于预设阈值,则确定所述预设数目个标签中出现概率最大的标签为所述目标图像的分类标签。
7.一种电子设备,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3中任一项所述的图像分类方法。
8.一种存储介质,当所述存储介质中的指令由图像分类电子设备的处理器执行时,使得图像分类电子设备能够执行如权利要求1至3中任一项所述的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995342.4A CN110738267B (zh) | 2019-10-18 | 2019-10-18 | 图像分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995342.4A CN110738267B (zh) | 2019-10-18 | 2019-10-18 | 图像分类方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738267A CN110738267A (zh) | 2020-01-31 |
CN110738267B true CN110738267B (zh) | 2023-08-22 |
Family
ID=69270221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910995342.4A Active CN110738267B (zh) | 2019-10-18 | 2019-10-18 | 图像分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738267B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428806B (zh) * | 2020-04-03 | 2023-10-10 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置、电子设备及存储介质 |
CN112052799A (zh) * | 2020-09-08 | 2020-12-08 | 中科光启空间信息技术有限公司 | 一种迷迭香种植分布高分辨率卫星遥感识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116588A (zh) * | 2011-11-17 | 2013-05-22 | 腾讯科技(深圳)有限公司 | 一种个性化推荐方法及*** |
CN108171254A (zh) * | 2017-11-22 | 2018-06-15 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN108664989A (zh) * | 2018-03-27 | 2018-10-16 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN109117862A (zh) * | 2018-06-29 | 2019-01-01 | 北京达佳互联信息技术有限公司 | 图像标签识别方法、装置及服务器 |
CN109409414A (zh) * | 2018-09-28 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 样本图像确定方法和装置、电子设备及存储介质 |
CN109583501A (zh) * | 2018-11-30 | 2019-04-05 | 广州市百果园信息技术有限公司 | 图片分类、分类识别模型的生成方法、装置、设备及介质 |
CN109685110A (zh) * | 2018-11-28 | 2019-04-26 | 北京陌上花科技有限公司 | 图像分类网络的训练方法、图像分类方法及装置、服务器 |
CN109961094A (zh) * | 2019-03-07 | 2019-07-02 | 北京达佳互联信息技术有限公司 | 样本获取方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10984054B2 (en) * | 2017-07-27 | 2021-04-20 | Robert Bosch Gmbh | Visual analytics system for convolutional neural network based classifiers |
-
2019
- 2019-10-18 CN CN201910995342.4A patent/CN110738267B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116588A (zh) * | 2011-11-17 | 2013-05-22 | 腾讯科技(深圳)有限公司 | 一种个性化推荐方法及*** |
CN108171254A (zh) * | 2017-11-22 | 2018-06-15 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN108664989A (zh) * | 2018-03-27 | 2018-10-16 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
CN109117862A (zh) * | 2018-06-29 | 2019-01-01 | 北京达佳互联信息技术有限公司 | 图像标签识别方法、装置及服务器 |
CN109409414A (zh) * | 2018-09-28 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 样本图像确定方法和装置、电子设备及存储介质 |
CN109685110A (zh) * | 2018-11-28 | 2019-04-26 | 北京陌上花科技有限公司 | 图像分类网络的训练方法、图像分类方法及装置、服务器 |
CN109583501A (zh) * | 2018-11-30 | 2019-04-05 | 广州市百果园信息技术有限公司 | 图片分类、分类识别模型的生成方法、装置、设备及介质 |
CN109961094A (zh) * | 2019-03-07 | 2019-07-02 | 北京达佳互联信息技术有限公司 | 样本获取方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110738267A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539443B (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
CN107527059A (zh) | 文字识别方法、装置及终端 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN110781323A (zh) | 多媒体资源的标签确定方法、装置、电子设备及存储介质 | |
EP3767488A1 (en) | Method and device for processing untagged data, and storage medium | |
CN105528403B (zh) | 目标数据识别方法及装置 | |
CN109886211B (zh) | 数据标注方法、装置、电子设备及存储介质 | |
CN111046927B (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN110738267B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
CN113920293A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN111797746B (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN113779257A (zh) | 文本分类模型的解析方法、装置、设备、介质及产品 | |
CN111125388B (zh) | 多媒体资源的检测方法、装置及设备和存储介质 | |
CN110213062B (zh) | 处理消息的方法及装置 | |
CN112328809A (zh) | 实体分类方法、装置及计算机可读存储介质 | |
CN109842688B (zh) | 一种内容推荐方法、装置、电子设备及存储介质 | |
CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
CN111079421A (zh) | 一种文本信息分词处理的方法、装置、终端及存储介质 | |
CN111428806B (zh) | 图像标签确定方法、装置、电子设备及存储介质 | |
CN115203573A (zh) | 画像标签生成方法、模型训练方法、装置、介质及芯片 | |
CN110659726B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112784858B (zh) | 一种图像数据的处理方法、装置及电子设备 | |
CN113807540A (zh) | 一种数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |