[发明专利]一种图像分类方法、装置、电子设备及存储介质

权利要求书

1.一种图像分类方法，其特征在于，包括：

获取待分类图像；

将所述待分类图像输入预先训练得到的卷积神经网络模型，得到所述待分类图像为各类别的置信度；

根据各类别的预设置信度阈值与所述待分类图像为该类别的置信度的大小关系，确定所述待分类图像的类别；

其中，所述各类别的预设置信度阈值使得：

针对每一种所述类别，利用所述卷积神经网络模型对预定阈值调节样本集中的样本进行预测得到所述样本为该类别的置信度，当将该类别的置信度大于该类别的预设置信度阈值的样本的类别预测为该类别时，该类别的召回率大于预设召回率和/或精确率大于预设精确率；

所述各类别的预设置信度阈值的确定方式，包括：

获取预定的阈值调节样本集，所述阈值调节样本集中包含多个阈值调节样本；

分别将各阈值调节样本输入所述卷积神经网络模型，得到所述各阈值调节样本为各类别的置信度；

针对所述类别中的一种类别：

根据预定的所述类别的初始置信度阈值和所述各阈值调节样本为所述类别的置信度，在所述阈值调节样本中将所述类别的置信度大于所述初始置信度阈值的样本预测为所述类别；

根据所述预测为所述类别的样本的数量，获取所述类别的精确率和/或召回率；

根据所述类别的精确率和召回率，构建第一曲线；

根据所述第一曲线，确定所述类别的所述预设置信度阈值。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的训练过程，包括：

构建初始卷积神经网络模型；

获取分类图像样本，所述分类图像样本是基于预设标注规则进行类别标注的；

将所述分类图像样本输入所述初始卷积神经网络模型，训练得到所述卷积神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型中包括多个子网络和一个概率输出层，其中，各子网络中包括多个卷积层和一个最大池化层。

4.根据权利要求1所述的方法，其特征在于，所述第一曲线为精确率-召回率曲线；

所述根据所述第一曲线，确定所述类别的所述预设置信度阈值包括：

计算所述第一曲线中各点的加权调和平均值；

确定所述第一曲线中的目标点，所述目标点的加权调和平均值大于第一预设加权调和平均值、且所述目标点的召回率大于预设召回率和/或精确率大于预设精确率；

根据所述第一曲线中的目标点对应的置信度，确定所述类别的所述预设置信度阈值。

5.根据权利要求4所述的方法，其特征在于，所述计算所述第一曲线中各点的加权调和平均值，包括：

采用预设加权调和平均值计算公式计算所述第一曲线中各点的加权调和平均值，所述预设加权调和平均值计算公式为：

其中，α为参数常量；P为神经网络模型对该类别图像正确识别的精确率；R为神经网络模型对该类别图像正确识别的召回率；F为所述加权调和平均值。

6.根据权利要求1所述的方法，其特征在于，所述类别包括第一类别、第二类别和第三类别；

所述根据各类别的预设置信度阈值与所述待分类图像为该类别的置信度的大小关系，确定所述待分类图像的类别，包括：

判断所述待分类图像为第一类别的置信度是否大于或者等于第一类别的预设置信度阈值的大小关系；

当所述待分类图像为第一类别的置信度大于或者等于所述第一类别的预设置信度阈值时，确定所述待分类图像的类别为第一类别；

当所述待分类图像为第一类别的置信度小于所述第一类别的预设置信度阈值时，判断所述待分类图像为第二类别的置信度是否大于或者等于第二类别的预设置信度阈值；

当所述待分类图像为第二类别的置信度大于或者等于所述第二类别的预设置信度阈值时，确定所述待分类图像的类别为第二类别；

当所述待分类图像为第二类别的置信度小于所述第二类别的预设置信度阈值时，确定所述待分类图像的类别为第三类别。