[发明专利]图像分类的方法、存储介质、处理器及系统

说明书

本发明公开了一种图像分类的方法和目标数据分类模型的构建方法。其中，该方法包括：获取待分类的目标图像数据；采用目标数据分类模型对所述目标图像数据进行分类处理，得到所述目标图像数据的分类结果，其中，所述目标数据分类模型是由度量学习函数对神经网络模型进行训练得到，所述度量学习函数是通过目标特征集来确定，所述目标特征集是通过对训练样本的初始特征集进行语义增强后得到的。本发明解决了相关技术中已有的领域泛化的神经网络模型，由于在进行领域泛化时很难考虑到类间方差，导致在对数据分类时的准确度比较低的技术问题。

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种图像分类的方法、存储介质、处理器及系统。

背景技术

随着深度神经网络的快速发展，神经网络在许多基本任务的处理性能得到了显着提高。然而，领域转移问题，即训练数据集（源域）和测试（目标域）数据集遵循不同的分布，仍然具有挑战性。领域泛化（DG）旨在利用一个或多个不同但相关的源域来获得可推广到未知的目标域的神经网络模型。现有的DG方法一般都是采用交叉熵(CE)函数进行优化，但是交叉熵函数很难捕捉到类间方差，会导致神经网络模型的辨别能力比较差的。

针对上述的相关技术中已有的域泛化的神经网络模型，由于在进行域泛化时很难考虑到类间方差，导致在对数据分类时的准确度比较低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像分类的方法、存储介质、处理器及系统，以至少解决相关技术中已有的领域泛化的神经网络模型，由于在进行领域泛化时很难考虑到类间方差，导致在对数据分类时的准确度比较低的技术问题。

根据本发明实施例的一个方面，提供了一种图像分类的方法，包括：获取待分类的目标图像数据；采用目标数据分类模型对所述目标图像数据进行分类处理，得到所述目标图像数据的分类结果，其中，所述目标数据分类模型是由度量学习函数对神经网络模型进行训练得到，所述度量学习函数是通过目标特征集来确定，所述目标特征集是通过对训练样本的初始特征集进行语义增强后得到的。

进一步地，采用目标数据分类模型对所述目标图像数据进行分类处理，得到所述目标图像数据的分类结果包括：通过所述目标数据分类模型对所述目标图像数据进行特征提取，得到目标特征向量；依据所述目标特征向量，计算得到所述目标图像数据属于每个类别标签的概率值；依据所述概率值，得到所述目标图像数据的分类结果。

进一步地，所述目标图像数据的分类结果中包括：多个对象，以及每个对象所属的类别，在采用目标数据分类模型对所述目标图像数据进行分类处理，得到所述目标图像数据的分类结果之后，所述方法还包括：将所述分类结果发送至客户端；接收所述客户端返回的对所述分类结果的调整信息，其中，所述调整信息用于将所述多个对象中的目标对象的所属类别调整为目标类别；依据所述分类结果的调整信息优化所述目标数据分类模型。

根据本发明实施例的一个方面，提供了一种图像分类的方法，包括：获取待分类的遥感图像数据；采用目标数据分类模型对所述遥感图像数据进行分类处理，得到所述遥感图像数据的分类结果，其中，所述目标数据分类模型是由度量学习函数对神经网络模型进行训练得到，所述度量学习函数是通过目标特征集来确定，所述目标特征集是通过对训练样本的初始特征集进行语义增强后得到的。

进一步地，在采用目标数据分类模型对所述遥感图像数据进行分类处理，得到所述遥感图像数据的分类结果之后，所述方法还包括：在目标界面展示所述遥感图像数据的分类结果，其中，所述分类结果用于表示所述遥感图像数据中是否包括水利区域；若所述分类结果指示所述遥感图像数据中不包括水利区域，且接收到调整指令，则对所述分类结果进行调整，以使所述分类结果表示所述遥感图像数据中包括水利区域；依据调整后的分类结果优化所述目标数据分类模型。