[发明专利]图像类别的确定方法、装置及存储介质

说明书

技术领域

本公开涉及图像处理领域，尤其涉及一种图像类别的确定方法、装置及存储介质。

背景技术

在相关技术中，深度卷积神经网络(英文：Convolution Neural Networks简称：CNN)被经常使用于图像识别中，能够支持对图像的单标签的分类，例如，对于1000个类别的分类问题，通过目前的CNN对图像进行识别，输出结果为一个1000维的概率向量，用于表示对应的1000个类别中每一个类别的置信度，这1000个类别的置信度之和为1，其中置信度最高的类别就是该待识别图像的类别标签，也就是说利用该CNN只能从这1000个类别中确定该图像的一个类别标签。

发明内容

为克服相关技术中存在的问题，本公开提供一种图像类别的确定方法、装置及存储介质。

根据本公开实施例的第一方面，提供一种图像类别的确定方法，包括：

获取目标图像的图像数据；

通过后向传递算法确定深度卷积神经网络的目标参数，所述深度卷积神经网络用于对所述图像数据进行识别；

在确定所述深度卷积神经网络的目标参数后，将所述图像数据作为所述深度卷积神经网络输入，获取所述深度卷积神经网络输出的预设个数的二分类概率，其中，每个所述二分类概率对应一个类别，且每个所述二分类概率互不相关；

根据所有的所述二分类概率确定所述目标图像的类别。

可选的，所述深度卷积神经网络，包括：二维神经元全连接层，至少一个一维神经元全连接层和至少一个卷积层，其中，所述二维神经元全连接层位于所述至少一个一维神经元全连接层的下层，所述至少一个一维神经元全连接层位于所述至少一个卷积层的下层。

可选的，所述通过后向传递算法确定深度卷积神经网络的目标参数，包括：

分别对所述深度卷积神经网络的每层的每个参数建立临时存储器；

利用为所述深度卷积神经网络的每层的每个参数建立的临时存储器，通过所述后向传递算法训练所述深度卷积神经网络的参数；

其中，当所述深度卷积神经网络中的所有层执行一次所述训练所述深度卷积神经网络的参数的步骤后，再次执行所述训练所述深度卷积神经网络的参数的步骤，直至所述深度卷积神经网络中每层的每个参数的梯度值满足预设的收敛条件时，将所述深度卷积神经网络中每层的每个参数的当前值确定为所述深度卷积神经网络的目标参数。

可选的，所述训练所述深度卷积神经网络的参数的步骤包括：

在所述深度卷积神经网络的当前层不存在下一层时，将所述当前层的每个参数，分别与所述当前层的每个参数对应的临时存储器中存储的梯度值相加，得到所述当前层的更新后的参数；其中，每个参数对应的临时存储器中存储的梯度值是在上次执行所述训练所述深度卷积神经网络的参数的步骤时得到的，所述深度卷积神经网络的每层的每个参数对应的临时存储器中存储的梯度值的初始值为零；

获取所述当前层的每个更新后的参数的当前梯度值；

将所述当前层的每个更新后的参数的当前梯度值存储在与所述当前层的每个参数对应的临时存储器中。

可选的，所述训练所述深度卷积神经网络的参数的步骤包括：

在所述深度卷积神经网络的当前层存在下一层时，将所述当前层的每个参数对应的临时存储器中存储的梯度值，分别与所述下一层的临时存储器中存储的与所述当前层的每个参数关联的参数的梯度值相加，得到所述当前层的每个参数的新的梯度值；其中，每个参数对应的临时存储器中存储的梯度值是在上次执行所述训练所述深度卷积神经网络的参数的步骤时得到的，所述深度卷积神经网络的每层的每个参数对应的临时存储器中存储的梯度值的初始值为零；

将所述当前层的每个参数的新的梯度值，分别与所述当前层的每个参数相加，得到所述当前层的更新后的参数；

获取所述当前层的每个更新后的参数的当前梯度值；

将所述当前层的每个更新后的参数的当前梯度值存储在与所述当前层的每个参数对应的临时存储器中；

其中，所述当前层和所述下一层为所述深度卷积神经网络中任意相邻的两层。

可选的，所述二分类概率包括，肯定概率值和否定概率值，所述肯定概率值是所述图像属于所述二分类概率对应分类的概率值，所述根据所有的所述二分类概率确定所述目标图像的类别，包括：

将所述所有的所述二分类概率中所述肯定概率值大于预设概率阈值的所述二分类概率，确定为目标二分类概率；

将所有所述目标二分类概率所对应类别确定为所述目标图像的类别。