[发明专利]图像数据的分类方法、装置和系统

说明书

本公开涉及一种图像数据的分类方法、装置和系统，涉及计算机技术领域。该方法包括将各测试图像数据输入利用原始训练样本集合训练后的神经网络模型进行分类，确定各图像数据隶属的图像类型和隶属概率；将隶属概率大于第一阈值的测试图像数据，划分到易分类数据集合；将易分类数据集合中分类准确率小于或等于第二阈值且分类结果正确的测试图像数据，加入原始训练样本集合中生成扩充训练样本集合；利用扩充训练样本集合对神经网络模型进行训练，以确定图像分类模型。

技术领域

本公开涉及计算机技术领域，特别涉及一种图像数据的分类方法、图像数据的分类装置、图像数据的分类系统和非易失性计算机可读存储介质。

背景技术

深度神经网络的出现使得图像处理技术获得了极大的发展。更快的速度、更高的精度让深度神经网络在各领域内有了更加广泛的应用。例如，在医学、遥感、人脸识别、自动驾驶等实际应用中，基于深度神经网络的图像处理技术，可以对大量图片进行分类处理。

在相关技术中，基于业务场景的分类标准，采集各类图像的训练样本训练神经网络模型；利用训练完成的神经网络模型对图像进行分类。

发明内容

根据本公开的一些实施例，提供了一种图像数据的分类方法，包括：将各测试图像数据输入利用原始训练样本集合训练后的神经网络模型进行分类，确定各图像数据隶属的图像类型和隶属概率；将隶属概率大于第一阈值的测试图像数据，划分到易分类数据集合；将易分类数据集合中分类准确率小于或等于第二阈值且分类结果正确的测试图像数据，加入原始训练样本集合中生成扩充训练样本集合；利用扩充训练样本集合对神经网络模型进行训练，以确定图像分类模型。

在一些实施例中，将易分类数据集合中分类准确率小于或等于第二阈值且分类结果正确的测试图像数据，加入训练样本集合中生成扩充训练样本集合包括：将易分类数据集合中分类准确率大于第二阈值的测试图像数据，加入训练样本集合中生成扩充训练样本集合。

在一些实施例中，分类方法还包括：将各测试图像数据，输入利用扩充训练样本集合训练后的神经网络模型进行分类；根据本次分类错误的测试图像数据是否属于易分类数据集合，对扩充训练样本集合进行处理；利用处理后的扩充训练样本集合，再次训练神经网络模型，以更新图像分类模型。

在一些实施例中，分类方法还包括：利用本次分类正确的测试图像数据，对扩充训练样本集合进行再次扩充用于再次训练神经网络模型。

在一些实施例中，将各测试图像数据，输入训练后的神经网络模型进行分类包括：将各测试图像数据中的第一数据集合和第二数据集合，输入训练后的神经网络模型进行分类。第一数据集合包括易分类数据集合中分类准确率小于或等于第二阈值且分类结果错误的测试图像数据。第二数据集合包括隶属于难分类数据集合的测试图像数据。难分类数据集合根据隶属概率小于或等于第一阈值的测试图像数据所隶属的图像类型确定。

在一些实施例中，根据本次分类错误的测试图像数据是否属于易分类数据集合，对扩充训练样本集合进行处理包括：在分类错误的测试图像数据属于第一数据集合的情况下，根据分类错误的测试图像数据，确定扩充训练样本集合中需要过滤的标注错误样本。

在一些实施例中，根据本次分类错误的测试图像数据是否属于易分类数据集合，对扩充训练样本集合进行处理包括：在分类错误的测试图像数据属于难分类数据集合的情况下，根据本次分类错误的测试图像数据的图像类型，获取相应图像类型的样本数据，对扩充训练样本集合进行再次扩充。难分类数据集合根据隶属概率小于或等于第一阈值的测试图像数据所隶属的图像类型确定。

在一些实施例中，获取相应图像类型的样本数据，对扩充训练样本集合进行再次扩充包括：对本次分类错误的测试图像数据进行数据增强处理，获取相应图像类型的样本数据，对扩充训练样本集合进行再次扩充。