[发明专利]一种图像的分类方法、终端及计算机存储介质

权利要求书

1.一种图像的分类方法，其特征在于，所述方法应用于一终端中，包括：

获取待分类图像；

采用预先训练好的细粒度分类模型，对所述待分类图像进行分类，得到分类后的图像；

其中，所述训练好的细粒度分类模型采用以下方式得到：

根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集；其中，所述图像标签用于表征图像的类别；

对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组；

采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型。

2.根据权利要求1所述的方法，其特征在于，所述根据获取到的待训练图像集的图像标签，对所述待训练图像集的图像进行分组，得到分组后的待训练图像集，包括：

将所述待训练图像集中的图像依次确定为第一图像；

针对所述第一图像，从除了所述第一图像以外的待训练图像集中，选取出第二图像和第三图像；其中，所述第二图像的图像标签与所述第一图像的图像标签相同，所述第三图像的图像标签与所述第一图像的图像标签不同；

利用所述第一图像，所述第二图像和所述第三图像构成一组，以得到所述分组后的待训练图像集；

相应地，所述对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组，包括：

对所述第一图像，所述第二图像和所述第三图像，分别采用所述细粒度分类模型提取出特征向量，得到所述第一图像的特征向量，所述第二图像的特征向量和所述第三图像的特征向量；

利用所述第一图像的特征向量，所述第二图像的特征向量和所述第三图像的特征向量，形成所述特征向量组。

3.根据权利要求2所述的方法，其特征在于，在对所述分组后的待训练图像集中图像提取特征向量，得到特征向量组之后，在采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型之前，所述方法还包括：

选取出所述特征向量组中不满足预设条件的组别；

从所述特征向量组中删除掉不满足所述预设条件的组别，以更新所述特征向量组。

4.根据权利要求3所述的方法，其特征在于，所述选取出所述特征向量组中不满足预设条件的组别，包括：

计算所述第一图像的特征向量与所述第二图像的特征向量之间的第一距离值；

当所述第一距离值大于等于第一预设阈值时，将包含所述第一图像和所述第二图像的组别确定为所述不满足预设条件的组别，并选取出所述不满足预设条件的组别；

和/或，

计算所述第一图像的特征向量与所述第三图像的特征向量之间的第二距离值；

当所述第二距离值小于等于第二预设阈值时，将包含所述第一图像和所述第三图像的组别确定为所述不满足预设条件的组别，并选取出所述不满足预设条件的组别。

5.根据权利要求3所述的方法，其特征在于，所述选取出所述特征向量组中不满足预设条件的组别，包括：

计算所述第一图像的特征向量与所述第二图像的特征向量之间的第一距离值，所述第一图像的特征向量与所述第三图像的特征向量之间的第二距离值；

当所述第二距离值与所述第一距离值的差值大于第三预设阈值时，将包含所述第一图像，所述第二图像和所述第三图像的组别确定为不满足预设条件的组别，并选取出所述不满足预设条件的组别。

6.根据权利要求1所述的方法，其特征在于，所述采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数与目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型，包括：

采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数取值最小且目标函数的取值最小时的模型参数，得到所述训练好的细粒度分类模型；

或者，

采用所述特征向量组对细粒度分类模型进行训练，以确定出所述细粒度分类模型中损失函数的取值与目标函数的取值之和最小时的模型参数，得到所述训练好的细粒度分类模型。