[发明专利]计算机视觉数据分类方法、装置、电子设备及存储介质

说明书

本公开提供一种计算机视觉数据分类方法、计算机视觉数据分类装置、电子设备及计算机可读存储介质；涉及计算机技术领域。该方法包括：从输入的多个计算机视觉数据中提取计算机视觉数据特征，以得到第一特征和第二特征；通过初级分类模型对第二特征进行提取，以得到第三特征；通过初级分类模型并基于第三特征对多个计算机视觉数据进行初级分类，以得到多个计算机视觉数据属于各类别的预测值；基于预测值确定出多个计算机视觉数据中的混淆数据和混淆类；通过次级分类模型并基于混淆类、第一特征和第三特征对混淆数据进行次级分类，以得到混淆数据的分类结果。本公开可以解决由于不区分模型的输入数据造成的分类时间和资源的不合理消耗。

背景技术

本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着计算机技术的发展，深度学习也越来越多地被应用于各个特定领域。以数据分类领域为例，基于深度学习可以满足如图像分类、文本分类、视频分类等多种数据分类需求。

然而，在进行分类的实际应用场景中，待分类的数据往往可以被划分为具有明显区分性特征的明晰数据集合A和特征不易区分的混淆数据集合B。对于集合A，分类模型仅需花费较短的时间就可以准确识别出该集合中的数据的特征，从而获得良好的分类准确率；但对于集合B，往往需要花费较长时间进行多轮迭代识别，并且难于获得令人满意的分类结果。目前进行数据分类的方式是不区分分类模型的输入数据，从而造成了一方面模型需要更多的识别时间成本和机器资源来识别本身可以被快速识别的数据，另一方面无法对难于区分的混淆数据进行特定的特征识别，模型的分类能力较弱。

发明内容

鉴于此，需要一种计算机视觉数据分类方案，能够至少在一定程度上解决由于不区分模型的输入数据所带来的资源和时间不合理消耗以及模型分类能力弱的问题。

在本上下文中，本公开的实施方式期望提供一种计算机视觉数据分类方法、计算机视觉数据分类装置、电子设备及计算机可读存储介质。

根据本公开的第一方面，提供了一种计算机视觉数据分类方法，其特征在于，包括：从输入的多个计算机视觉数据中提取计算机视觉数据特征，以得到第一特征和第二特征；通过初级分类模型对所述第二特征进行提取，以得到第三特征；通过所述初级分类模型并基于所述第三特征对所述多个计算机视觉数据进行初级分类，以得到所述多个计算机视觉数据属于各类别的预测值；基于所述预测值确定出所述多个计算机视觉数据中的混淆数据和混淆类，其中所述混淆类为所述混淆数据被所述初级分类模型判别所属于的类别；通过次级分类模型并基于所述混淆类、所述第一特征和所述第三特征对所述混淆数据进行次级分类，以得到所述混淆数据的分类结果。

可选地，所述初级分类模型的损失函数包括交叉熵函数，所述次级分类模型的损失函数包括混淆类之间的距离函数分量和交叉熵函数分量，其中，混淆类为所述混淆数据被所述初级分类模型判别所属于的类别。

可选地，所述从输入的多个计算机视觉数据中提取数据特征，包括：使用三维深度神经网络或二维深度神经网络从所述多个计算机视觉数据中提取数据特征。

可选地，所述基于所述预测值确定出所述多个计算机视觉数据中的混淆数据和混淆类，包括：确定各计算机视觉数据的所述预测值中的最大值，并且将所述最大值与各计算机视觉数据的真实标签进行比较；将与所述真实标签不相等的最大值所对应的计算机视觉数据确定为混淆数据；以及将所述最大值与一超参数的乘积确定为基准值；将大于所述基准值的预测值所对应的类别确定为混淆类。

可选地，所述基于所述第一特征和所述第三特征对所述混淆数据进行次级分类，包括：对所述第一特征和所述第三特征进行特征融合处理，以得到第四特征，并且基于所述第四特征对所述混淆数据进行次级分类。