[发明专利]用于生成信息的方法和装置

说明书

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取待分类图像；将所述待分类图像分别导入预先建立的至少一个图像分类模型，得到所述至少一个图像分类模型中的各个图像分类模型生成的类别信息；根据所述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；根据加权处理结果得到所述待分类图像所属的类别的信息。该实施方式提高了图像分类的准确性。

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理领域，尤其涉及用于生成信息的方法和装置。

背景技术

图像分类是根据不同图像所反映的特征判定类别，将图像进行归类的图像处理技术。随着互联网技术以及社交媒体的发展，需要分类的图像越来越多。现阶段可以通过预先训练的图像分类模型对图像进行图像分类，然而图像分类模型在训练过程中需要大量的训练数据，如果训练数据量小，或者训练数据难以获取，可能会导致训练得到的图像分类模型的分类能力差，最后导致图像分类不准确。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，包括：获取待分类图像；将上述待分类图像分别导入预先建立的至少一个图像分类模型，得到上述至少一个图像分类模型中的各个图像分类模型生成的类别信息；根据上述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；根据加权处理结果得到上述待分类图像所属的类别的信息。

在一些实施例中，上述至少一个图像分类模型中的各图像分类模型为卷积神经网络。

在一些实施例中，上述至少一个图像分类模型中的各图像分类模型是通过以下方式训练得到的：获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；将上述训练样本集中的各个训练样本的训练样本图像作为输入，将上述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型。

在一些实施例中，上述基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型，包括：生成初始卷积神经网络序列；获取上述初始卷积神经网络序列中的第一个初始卷积神经网络，并将上述第一个初始卷积神经网络确定为当前初始卷积神经网络，将上述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的上述训练样本集，训练上述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的；基于上述第二图像分类模型对上述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；把上述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行上述模型训练操作，直到上述当前初始卷积神经网络为上述初始卷积神经网络序列的最后一个初始卷积神经网络。

在一些实施例中，上述基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选，包括：将上述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入上述第一图像分类模型，得到各个训练样本的预测结果；对于上述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。