[发明专利]图像分类方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能技术，揭露了一种图像分类方法，包括：获取原始图像集，其中，所述原始图像集中包括有标注图像集及无标注图像集，对无标注图像集中的图像进行标注猜测，得到标注猜测图像集，汇总标注猜测图像集及有标注图像集，得到图像训练集，在预设的图像分类网络中构建表征混合层，得到混合图像分类网络，利用图像训练集对所述混合图像分类网络进行训练，得到标准图像分类网络，利用标准图像分类网络对待分类图像进行分类，得到图像分类结果，此外，本发明还涉及区块链技术，所述图像分类结果可存储在区块链的节点中。本发明还提出一种图像分类装置、电子设备以及计算机可读存储介质。本发明可以解决图像分类准确性较低的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种图像分类方法、装置、电子设备及计算机可读存储介质。

背景技术

深度学习时代到来后，图像分类领域出现了一系列的突破，然而，这种突破是建立在有着大规模有标注数据集的基础上的。而大规模有标注数据集，则是一种奢侈。在类如医学图像领域，图像标注往往要花费领域专家的大量时间。专家间的认知差异也会导致标注出现噪声，而为了消除这种噪声则需要更多的专家进行盲标注。

使用半监督学习方法可以减少标注负担。半监督方法可以运用大量无标注的数据和少量有标注数据来加强模型的性能。但是，半监督学习中一个重要的目标是要避免网络在小规模的有标注数据上出现过拟合。而实现这一目标的一个常用的必要假设则是网络拟合的函数的平滑性和一致性，即流形中相近的点应预测出相同的标注。举例来说，self-ensembling对在有局部扰动的无标注数据上出现不一致的预测进行惩罚，而对抗学习通过强制对不同的有着对抗性扰动的输入的预测相同来维持一致性。但是这些方法只考虑到了围绕单个数据点的扰动，即只对单数据点局部的平滑性做出了规范，并没有考虑到对不同数据点间的网络的全局平滑性和一致性进行约束，使得网络性能较低，导致图像分类准确性较低。

发明内容

本发明提供一种图像分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决图像分类准确性较低的问题。

为实现上述目的，本发明提供的一种图像分类方法，包括：

获取原始图像集，其中，所述原始图像集中包括有标注图像集及无标注图像集；

对所述无标注图像集中的图像进行标注猜测，得到标注猜测图像集，汇总所述标注猜测图像集及所述有标注图像集，得到图像训练集；

在预设的图像分类网络中构建表征混合层，得到混合图像分类网络；

利用所述图像训练集对所述混合图像分类网络进行训练，得到标准图像分类网络；

利用所述标准图像分类网络对待分类图像进行分类，得到图像分类结果。

可选地，所述对所述无标注图像集中的图像进行标注猜测，得到标注猜测图像集，包括：

利用预构建的生成对抗网络，对所述无标注图像集中的图像进行预设次数的数据增强处理，得到增强图像；

利用预设的标注猜测公式对所述增强图像进行标注猜测，得到标注猜测图像；

汇总所述标注猜测图像得到所述标注猜测图像集。

可选地，所述利用预设的标注猜测公式对所述增强图像进行标注猜测，得到标注猜测图像，包括：

利用下述猜测公式对所述增强图像进行标注猜测，得到标注猜测图像：

其中，q_b表示无标注图像的猜测标注，u_b表示无标注图像集，u_b,m表示无标注图像集中第m个图像，f(u_b,m；θ)表示参数θ的网络拟合函数对u_b的第m个图像为输入的输出，M表示数据增强的次数。