[发明专利]一种图片分类方法、装置、电子设备及存储介质

说明书

本申请提供一种图片分类方法、装置、电子设备及存储介质，该方法包括：获得待分类图片；使用预先训练的特征提取器提取待分类图片的图片特征；根据图片特征与多个类原型特征之间的距离对待分类图片进行分类，获得待分类图片的类别。在上述的实现过程中，使用特征提取器提取待分类图片的图片特征，然后根据图片特征与提取获得的多个类原型特征之间的距离，对待分类图片进行分类；也就是说，通过将待分类图片的图片特征与已知类别的样本图片的类原型特征比较，根据图片特征与类原型特征之间的距离来分类，从而将待分类图片分类到已知类别中，有效地改善了对新类别的图片识别失败的问题。

技术领域

本申请涉及深度学习和图片分类的技术领域，具体而言，涉及一种图片分类方法、装置、电子设备及存储介质。

背景技术

深度学习(Deep Learning)，是机器学习中一种基于对数据进行表征学习的算法，深度学习是机器学习的分支，也是一种以人工神经网络为架构，对数据进行表征学习的算法。

目前的深度学习分类技术依赖于大量已经被标注的训练数据，如果要让模型识别一种新类别的图片，就需要使用该新类别大量的图片对模型进行训练，该模型在训练之后才能够较为准确地识别该新类别的图片。如果没有使用该新类别的图片对模型进行训练，那么该模型就无法很好地提取图片特征，从而导致模型对新类别的图片识别失败。

针对模型对新类别的图片识别失败的问题，目前通常的解决方案为，先尽量地获取少样本类别的训练图片和图片标签，然后对已经存在的训练图片进行图像增强，并使用获得的更多训练图像对模型再次训练；常用的图像增强方式包括：旋转、平移和图像缩放等等方式。在实际过程中发现，使用上述方式来解决对新类别的图片识别失败的问题时，需要耗费大量的人力和时间来收集和处理数据；也就是说，使用重新采集或增强的训练数据对模型进行训练的方式，在对新类别的图片识别失败时需要费时费力的重新训练模型。

发明内容

本申请实施例的目的在于提供一种图片分类方法、装置、电子设备及存储介质，用于改善对新类别的图片识别失败时需要费时费力的重新训练模型的问题。

本申请实施例提供了一种图片分类方法，包括：获得待分类图片；使用预先训练的特征提取器提取待分类图片的图片特征；根据图片特征与多个类原型特征之间的距离对待分类图片进行分类，获得待分类图片的类别，类原型特征是使用特征提取器对已知类别的样本图片进行提取获得的。在上述的实现过程中，使用特征提取器提取待分类图片的图片特征，然后根据图片特征与提取获得的多个类原型特征之间的距离，对待分类图片进行分类；也就是说，通过将待分类图片的图片特征与已知类别的样本图片的类原型特征比较，根据图片特征与类原型特征之间的距离来分类，从而将待分类图片分类到已知类别中，有效地改善了对新类别的图片识别失败的问题，避免了重新采集或增强训练数据时需要费时费力的重新训练模型的情况。

可选地，在本申请实施例中，特征提取器包括：第一全连接层和第二全连接层；使用预先训练的特征提取器提取待分类图片的图片特征，包括：提取待分类图片的线性特征；使用第一全连接层将线性特征映射为方差；使用第二全连接层将线性特征映射为均值；对方差和均值进行重参数化计算，获得待分类图片的图片特征。在上述的实现过程中，通过使用第一全连接层将待分类图片提取的线性特征映射为方差；使用第二全连接层将待分类图片提取的线性特征映射为均值；并对方差和均值进行重参数化计算，获得待分类图片的图片特征；从而尽量减少提取的特征和原始图片之间的互信息，以保证特征提取器所能提取的特征是能够体现可判别性的信息。