[发明专利]一种图像分类方法、装置、电子设备及存储介质

说明书

本公开关于一种图像分类方法、装置、电子设备及存储介质，包括：获取与原始图像数据集对应的至少两个目标图像数据集；分别将至少两个第一图像数据集输入至图像分类模型中进行训练，得到至少两个目标模型；将至少两个第二图像数据集分别输入至目标模型中，得到多个预测结果；根据各预测结果，对基于原始图像数据集的图像分类任务的复杂度进行确定；根据复杂度参数与设定阈值的关系，重新确定第一图像数据集，并根据重新确定的第一图像数据集确定最终的图像分类模型。本公开实施例的方案，可以解决依靠经验评估图像分类任务的复杂度准确率低、导致图像分类的准确率低的问题，实现了准确地对图像分类任务的复杂度进行确定、提升了图像分类的准确率。

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像分类方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的不断发展，深度学习等智能算法被广泛用来解决各种日常问题，例如，通过深度学习模型实现图像分类、行人检测以及车牌识别等日常问题。

相关技术中，当开始处理某一任务时(例如，图像分类任务)，需要开发人员通过经验来判断该图像分类任务的复杂程度，并判断该任务是否可以通过深度学习算法来解决，最终确定适用于图像分类任务的图像分类模型。

但是，通过经验来判断某一图像分类任务的复杂程度会存在评估错误的现象，不但会造成处理结果不准确等问题，也会影响图像分类的准确率。

发明内容

本公开提供一种图像分类方法、装置、电子设备及存储介质，以解决相关技术中无法准确地确定图像分类任务的复杂程度、导致图像分类的准确率低的问题。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：

获取与原始图像数据集对应的至少两个目标图像数据集，每个所述目标图像数据集包括第一图像数据集和第二图像数据集；

分别将至少两个所述第一图像数据集输入至图像分类模型中进行训练，得到至少两个目标模型；

将至少两个所述第二图像数据集分别输入至所述目标模型中，得到多个预测结果；

根据各预测结果，对基于所述原始图像数据集的图像分类任务的复杂度进行确定；

根据复杂度参数与设定阈值的关系，重新确定第一图像数据集，并根据所述重新确定的第一图像数据集确定最终的图像分类模型。

可选的，所述根据各预测结果，对基于所述目标图像数据集的图像分类任务的复杂度进行确定步骤包括：

根据各所述预测结果确定与所述图像分类任务对应的复杂度参数，并根据所述复杂度参数对所述图像分类任务的复杂度进行确定。

可选的，所述根据各所述预测结果确定与所述图像分类任务对应的复杂度参数步骤包括：

分别确定多个所述预测结果中的目标预测结果和参考预测结果，确定所述目标预测结果与参考预测结果之间的偏差；

对各所述偏差进行归一化，并将各归一化结果的均值作为与所述图像分类任务对应的复杂度参数。

可选的，基于如下公式确定与所述图像分类任务对应的所述复杂度参数：

其中，K为所述复杂度参数，N为测试集的数量，N＝2；A(i,j)表示测试集j输入至目标模型i得到的预测结果；A(i,i)表示测试集i输入至目标模型i得到的预测结果。

可选的，所述根据复杂度参数与设定阈值的关系，重新确定第一图像数据集，并根据所述重新确定的第一图像数据确定最终的图像分类模型步骤，包括：

当所述复杂度参数小于或者等于设定阈值时，将至少两个所述第一图像数据集进行合并，以重新确定第一图像数据集；