[发明专利]一种图像分类方法、装置及电子设备

权利要求书

1.一种图像分类方法。其特征在于，包括：

图像数据被输入到利用通用图像数据训练的图像分类模型；

所述图像分类模型输出最大概率值对应的图像分类结果，其中所述图像分类模型包括深度神经网络和混淆矩阵。

2.根据权利要求1所述的方法，利用所述通用图像数据训练所述图像分类模型包括：

在所述通用图像数据上执行卷积神经网络算法获得结果与所述通用图像数据类别标签对比验证，将验证结果输出的概率值映射为一个混淆矩阵。

3.根据权利要求2所述的方法，还包括：

所述混淆矩阵表达式为：其中C∈R^N×N是混淆矩阵，C_ij表示将第i类识别成第j类的概率。

4.根据权利要求2所述的方法，还包括：

通过设定阈值来对所述混淆矩阵进行迭代合并相似类，并相应合并所述通用图像数据类别标签。

5.根据权利要求4所述的方法，所述混淆矩阵进行迭代合并相似类包括以下步骤：

步骤一、当所述混淆矩阵中最大值大于阈值时，选出所述混淆矩阵中最大值对应的位置，并记录该位置相关的两类。

步骤二、在原有类别中去掉这两类，然后添加一个新的类别包含这两个类别，并更新所述混淆矩阵。

步骤三、更新后的所述混淆矩阵中最大值再与阈值比较，如果小于阈值，结束迭代；否则重复步骤一至步骤三。

6.根据权利要求2所述的方法，所述方法还包括：

在合并后的所述通用图像数据上再执行卷积神经网络算法得到所述图像分类模型。

7.根据权利要求6所述的方法，所述方法还包括：

误差值是深度学习训练的关键指标，合并类误差值是通过合并类权重与被合并类向量通过归一化函数后获得的向量的积和获得的。

8.根据权利要求7所述的方法，所述方法还包括：

被合并类向量元素对应各被合并类，值均为被合并类别数的倒数，与合并类权重维数不足元素由0补齐。

9.根据权利要求1所述的方法，所述图像分类模型输出最大概率值对应的图像分类结果包括：

分类模型输出的分类结果如果指向合并类，则取合并类第二大概率值对应图像分类为最终分类结果，否则，最大概率值对应图像分类即为最终分类结果。

10.一种图像分类装置。包括：输入模块、图像分类模型；

图像数据通过所述输入模块被输入到利用通用图像数据训练的图像分类模型；所述图像分类模型输出最大概率值对应的图像分类结果，其中所述图像分类模型包括深度神经网络和混淆矩阵。

11.根据权利要求10所述的装置，所述装置还包括训练模块；

所述训练模块利用通用图像数据训练图像分类模型。

12.根据权利要求11所述的训练模块，所述训练模块在训练中，在所述通用图像数据上执行卷积神经网络算法获得结果与所述通用图像数据类别标签对比验证，将验证结果输出的概率值映射为一个混淆矩阵。

13.根据权利要求11所述的训练模块，还包括：

所述混淆矩阵表达式为：其中C∈R^N×N是混淆矩阵，C_ij表示将第i类识别成第j类的概率。

14.根据权利要求11所述的训练模块，所述训练模块在训练中，通过设定阈值来对所述混淆矩阵进行迭代合并相似类，并相应合并所述通用图像数据类别标签。