[发明专利]图像分类方法和装置、存储介质和电子设备

说明书

本公开涉及一种图像分类方法和装置、存储介质和电子设备，所述方法包括：将目标图像输入预训练的图像分类模型；获得所述图像分类模型输出的至少一个目标标签值；根据所述目标标签值，确定所述目标图像中的事物类别；其中，所述图像分类模型包括特征提取单元和深度权重单元，所述深度权重单元包括分类器，所述分类器包括第一分类器和第二分类器，其中，所述第一分类器的特征分类深度高于所述第二分类器，在训练所述图像分类模型的过程中，当所述分类权重的大小关系符合预设条件时结束训练，其中，所述分类器的所述分类权重包括所述第一分类器的第一分类权重和所述第二分类器的第二分类权重。

技术领域

本公开涉及图像处理领域，具体地，涉及一种图像分类方法和装置、存储介质和电子设备。

背景技术

图像识别是目前图像处理领域实现图像自动化处理的基础，目前的图像识别模型主要是通过卷积神经网络来实现图像识别的，且不同的场景下需要不同深度的卷积神经网络来提取相应的图像特征，如果卷积神经网络的网络过浅，则图像识别模型不能充分地学习训练集中的事物特征，导致模型难以对图像进行良好的识别，但如果卷积神经网络的网络过深，则会出现对训练集的过拟合，对训练集以外的图像的识别精度较低。

目前，大量的自动机器学习的方法都是逐层或逐模块地添加卷积神经网络，训练至网络不在收敛后对当前的精度是否适合当前场景进行判断，但是这样的方法耗时较长，且需要大量的计算资源。

发明内容

本公开的目的是提供一种图像分类方法和装置、存储介质和电子设备，以解决上述问题。

为了实现上述目的，本公开的第一方面，提供一种图像分类方法，所述方法包括：将目标图像输入预训练的图像分类模型；获得所述图像分类模型输出的至少一个目标标签值；根据所述目标标签值，确定所述目标图像中的事物类别；其中，所述图像分类模型包括特征提取单元和深度权重单元，所述图像分类模型用于：通过所述特征提取单元提取所述目标图像的图像特征，并将所述图像特征输入所述深度权重单元，获得所述目标标签值；所述深度权重单元包括分类器，所述分类器包括第一分类器和第二分类器，其中，所述第一分类器的特征分类深度高于所述第二分类器，在训练所述图像分类模型的过程中，当所述分类权重的大小关系符合预设条件时结束训练，其中，所述分类器的所述分类权重包括所述第一分类器的第一分类权重和所述第二分类器的第二分类权重。

可选地，所述特征提取单元包括第一卷积层、第二卷积层和第三卷积层，所述第二卷积层基于所述第一卷积层的第一卷积结果得到第二卷积结果，所述第三卷积层基于所述第二卷积层的所述第二卷积结果得到第三卷积结果。

可选地，所述分类器还包括第三分类器，其中，所述第三分类器的特征分类深度低于所述第二分类器；所述将所述图像特征输入深度权重单元，获得目标标签值，包括：将所述第一卷积结果输入所述第三分类器，并与所述第三分类器的第三分类权重结合，得到第三分类结果；将所述第二卷积结果输入所述第二分类器，并与所述第二分类器的第二分类权重结合，得到第二分类结果；将所述第三卷积结果输入所述第一分类器，并与所述第一分类器的第一分类权重结合，得到第一分类结果；将所述第一分类结果、第二分类结果和所述第三分类结果相加，获得目标标签值。

可选地，所述图像分类模型的训练步骤如下：重复执行将样本图像输入所述图像分类模型，并根据所述图像分类模型输出的分类标签值和所述样本图像的样本标签值，调整每一所述分类器的分类权重的步骤，直至所述分类权重的大小关系符合预设条件时结束对所述图像分类模型的训练。

可选地，所述分类权重的大小关系符合预设条件，包括：所述第一分类权重与所述第二分类权重减小至相同。

可选地，所述图像分类模型用于输出针对至少一个分类特征的标签值；所述根据所述图像分类模型输出的分类标签值和所述样本图像的样本标签值，调整每一所述分类器的分类权重，包括：针对每一所述分类权重，根据每一所述分类特征的标签值和所述样本标签值，修改所述分类权重以得到中间权重；将所有分类特征的所述中间权重的平均值，确定为调整后的所述分类权重。