[发明专利]零样本学习的图像分类方法、装置及电子设备

权利要求书

1.一种零样本学习的图像分类方法，其特征在于，包括：

获取多个内容各不相同的原始图像以及与所述原始图像对应的变换图像，所述变换图像通过对所述原始图像进行相似变化得到；

基于所述原始图像和所述变换图像，对预设的神经网络模型进行特征训练，以使得所述神经网络模型满足特征计算性能要求；

获取目标用户在客户端指定的分类图像以及所述分类图像的分类名称；

通过所述神经网络模型计算待分类图像与所述分类图像之间的特征距离是否满足预设的特征距离值，确定所述待分类图像是否与所述分类图像具有相同的类别及分类名称。

2.根据权利要求1所述的方法，其特征在于，所述获取多个内容各不相同的原始图像以及与所述原始图像对应的变换图像，包括：

分别在多个预先设置的分类中填充多个原始图像，使得不同分类中原始图像的数目满足均衡性要求；

将满足均衡性要求的多个分类中的原始图像的集合作为图像集合；

对获取到的所述图像集合中的原始图像进行相似度判断；

基于所述判断的结果，将相似度小于预设相似度值的原始图片从所述图像集合中删除。

3.根据权利要求1所述的方法，其特征在于，所述获取多个内容各不相同的原始图像以及与所述原始图像对应的变换图像，包括：

对所述原始图像执行色彩变化、图像裁剪、图像旋转及颜色通道提取中的至少一种变换操作；

将执行完变换操作之后的原始图像作为所述原始图像对应的变换图像。

4.根据权利要求1所述的方法，其特征在于，所述基于所述原始图像和所述变换图像，对预设的神经网络模型进行特征训练，以使得所述神经网络模型满足特征计算性能要求，包括：

将原始图像和与所述原始图像对应的变换图像作为正样本、将不同内容的原始图像作为负样本，对预设的神经网络模型进行特征训练，以使得正样本之间的特征距离小于第一特征距离，负样本之间的特征距离大于第二特征距离，所述第一特征距离小于所述第二特征距离。

5.根据权利要求4所述的方法，其特征在于，所述基于所述原始图像和所述变换图像，对预设的神经网络模型进行特征训练，以使得所述神经网络模型满足特征计算性能要求，包括：

将所述正样本和负样本输入到所述神经网络模型中；

判断所述正样本和所述负样本在所述神经网络模型中的特征距离是否同时小于所述第一特征距离及大于所述第二特征距离；

若是，则停止对所述神经网络模型的训练。

6.根据权利要求1所述的方法，其特征在于，所述获取目标用户在客户端指定的分类图像以及所述分类图像的分类名称，包括：

获取目标用户在客户端的选择操作，所述选择操作用于设置不同类型的分类图像以及分类图像的分类名称；

基于所述选择操作，确定所述分类图像和所述分类名称。

7.根据权利要求1所述的方法，其特征在于，所述通过所述神经网络模型计算待分类图像与所述分类图像之间的特征距离是否满足预设的特征距离值，确定所述待分类图像是否与所述分类图像具有相同的类别及分类名称，包括：

利用所述神经网络模型，计算所述待分类图像与所述分类图像之间的特征距离；

判断所述分类图像与所述待分类图像之间的特征距离是否小于第一阈值；

若是，则将所述待分类图像设置与所述分类图像具有相同的类别及分类名称。

8.根据权利要求1所述的方法，其特征在于，所述通过所述神经网络模型计算待分类图像与所述分类图像之间的特征距离是否满足预设的特征距离值，确定所述待分类图像是否与所述分类图像具有相同的类别及分类名称，包括：

当所述待分类图像与所述分类图像之间的特征距离大于第二阈值时，提示用户通过手动的方式为所述待分类图像设置类别及分类名称。