[发明专利]分类模型概率标签的重构方法、系统、装置及存储介质

权利要求书

1.一种分类模型输出概率标签的重构方法，其特征在于，所述方法包括：

将原始图像按照不同的分割尺度类型分割成不同大小的图像块；

将所述不同的分割尺度类型下的图像块进行图像预处理；

将经过所述图像预处理的不同的分割尺度类型下的图像块分别输入预设的黑盒模型，获得不同的分割尺度类型下的图像块对应的硬标签，其中，所述黑盒模型为只能输出图像分类硬标签的神经网络分类模型，所述黑盒模型的模型内部参数未知，所述分割尺度类型的数量越多，则对应得到的概率标签越能反映真实概率标签的实际情况；

确定所述不同的分割尺度类型下的图像块对应的硬标签的权重，计算加权和并归一化，确定所述原始图像的概率标签；其中，所述概率标签的计算公式为：

式中，P为原始图像的概率标签，Y_hard为原始图像的输出硬标签，a^j为第j个尺度下对应的硬标签的权重，Y_ij^j为第j个尺度下第i个图像块对应的输出硬标签，m为分割尺度的数量。

2.根据权利要求1所述的分类模型输出概率标签的重构方法，其特征在于，所述将原始图像按照不同的分割尺度类型分割成不同大小的图像块包括：

确定用户的需求尺度，根据所述用户的需求尺度确定所述分割尺度的数量和类型；

根据所述分割尺度的数量和类型对所述原始图像进行分割，获得对应数量下的原始图像不同大小的图像块。

3.根据权利要求1所述的分类模型输出概率标签的重构方法，其特征在于，确定所述不同的分割尺度下的图像块对应的硬标签的权重包括：

根据所述不同的分割尺度下的图像块与原始图像的面积的比值，确定所述不同的分割尺度下的图像块对应的硬标签的权重。

4.根据权利要求1所述的分类模型输出概率标签的重构方法，其特征在于，确定所述不同的分割尺度下的图像块对应的硬标签的权重还包括：

根据所述不同的分割尺度下的图像块和真实概率标签建立训练数据集合，通过数据拟合确定不同的分割尺度下的图像块对应的硬标签的权重。

5.一种分类模型输出概率标签重构系统，其特征在于，所述系统包括：

分割模块，用于将原始图像按照不同的分割尺度类型分割成不同大小的图像块；

图像预处理模块，用于将所述不同的分割尺度类型下的图像块进行图像预处理；

输入模块，用于将经过所述图像预处理的不同的分割尺度类型下的图像块分别输入预设的黑盒模型，获得不同的分割尺度类型下的图像块对应的硬标签，其中，所述黑盒模型为只能输出图像分类硬标签的神经网络分类模型，所述黑盒模型的模型内部参数未知，所述分割尺度类型的数量越多，则对应得到的概率标签越能反映真实概率标签的实际情况；

计算模块，用于确定所述不同的分割尺度类型下的图像块对应的硬标签的权重，计算加权和并归一化，确定所述原始图像的概率标签；其中，所述概率标签的计算公式为：

式中，P为原始图像的概率标签，Y_hard为原始图像的输出硬标签，a^j为第j个尺度下对应的硬标签的权重，Y_Ij^j为第j个尺度下第i个图像块对应的输出硬标签，m为分割尺度的数量。

6.根据权利要求5所述的分类模型输出概率标签重构系统，其特征在于，所述分割模块包括：

确定子单元，用于确定用户的需求尺度，根据所述用户的需求尺度确定所述分割尺度的数量和类型；

分割子单元，用于根据所述分割尺度的数量和类型对所述原始图像进行分割，获得对应数量下的原始图像不同大小的图像块。

7.根据权利要求5所述的分类模型输出概率标签重构系统，其特征在于，所述计算模块包括：

权重计算子单元，用于根据所述不同的分割尺度下的图像块与原始图像的面积的比值，确定所述不同的分割尺度下的图像块的权重。