[发明专利]图像分类方法、装置、计算机设备及计算机可读存储介质

说明书

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。

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：