[发明专利]一种图像识别方法、装置、计算机设备及存储介质

说明书

本申请实施例公开了一种图像识别方法、装置、计算机设备及存储介质，本申请实施例获取多张样本图像，对多张样本图像进行聚类，得到至少一组图像集；通过图像识别模型对图像集中的样本图像进行类别预测，得到每张样本图像对应的类别预测概率；对图像集中类别预测概率大于第一阈值的样本图像进行清洗，得到强样本图像；对图像集中类别预测概率小于第二阈值的样本图像进行修正，得到弱样本图像；为强样本图像和弱样本图像设置类别标签，根据强样本图像、弱样本图像和类别标签对图像识别模型进行训练，得到训练后图像识别模型，以通过训练后识别模型对图像进行类别识别。提高了对图像识别模型训练的精准性和训练后图像识别模型对图像识别的准确性。

技术领域

本申请涉及计算机技术领域，具体涉及一种图像识别方法、装置、计算机设备及存储介质。

背景技术

目前，在对图像进行分类时，可以通过人工对图像进行分类，或者可以通过模型对图像进行分类。例如，通过模型对图像进行分类的过程中，一般需要先对模型进行训练，以便通过训练后的模型对图像进行分类。具体地，采集多张图像，并通过人工手动给图像定义类别，然后基于定义类别后的图像对模型进行训练，通过训练后的模型对图像进行分类。

由于需要手动给图像定义类别，需要大量人力成本，以及受到人为主观因素的影响，比较容易出漏或出错。例如，在对视频的多个镜头的图像进行人工定义类别时，同一个镜头的多张图像非常相似且属于同一类别，若逐张图像标注人力投入非常大且存在重复标注，造成人工重复投入。并且，对模型进行训练方式比较单一，导致得到训练后的模型的识别精度比较低，降低了训练后的模型对图像进行分类的准确性。

发明内容

本申请实施例提供一种图像识别方法、装置、计算机设备及存储介质，可以提高对图像识别模型训练的精准性和可靠性，以提高训练后图像识别模型对图像识别的准确性。

为解决上述技术问题，本申请实施例提供以下技术方案：

本申请实施例提供了一种图像识别方法，包括：

获取多张样本图像，对所述多张样本图像进行聚类，得到至少一组图像集；

通过图像识别模型对所述图像集中的样本图像进行类别预测，得到图像集中每张样本图像对应的类别预测概率；

对图像集中类别预测概率大于第一阈值的样本图像进行清洗，得到强样本图像；

对图像集中类别预测概率小于第二阈值的样本图像进行修正，得到弱样本图像；

为所述强样本图像和所述弱样本图像分别设置类别标签，根据所述强样本图像、所述弱样本图像和所述类别标签，对所述图像识别模型进行训练，得到训练后图像识别模型，以通过所述训练后识别模型对图像进行类别识别。

根据本申请的一个方面，还提供了一种图像识别装置，包括：

聚类单元，用于获取多张样本图像，对所述多张样本图像进行聚类，得到至少一组图像集；

预测单元，用于通过图像识别模型对所述图像集中的样本图像进行类别预测，得到图像集中每张样本图像对应的类别预测概率；

清洗单元，用于对图像集中类别预测概率大于第一阈值的样本图像进行清洗，得到强样本图像；

修正单元，用于对图像集中类别预测概率小于第二阈值的样本图像进行修正，得到弱样本图像；

训练单元，用于为所述强样本图像和所述弱样本图像分别设置类别标签，根据所述强样本图像、所述弱样本图像和所述类别标签，对所述图像识别模型进行训练，得到训练后图像识别模型，以通过所述训练后识别模型对图像进行类别识别。

根据本申请的一个方面，还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种图像识别方法。