[发明专利]图像分类方法、装置、电子设备和计算机可读存储介质

说明书

本申请涉及一种图像分类方法、装置、电子设备、计算机可读存储介质，电子设备将待检测图像输入预设的分类模型中进行分类和可信度检测，得到待检测图像的初始分类结果和可信度；然后，根据可信度对初始分类结果进行校验，获得待检测图像的目标分类结果；其中，上述可信度用于表征待检测图像与分类模型的训练样本的相似程度。采用上述方法可以获得更准确的图像分类结果，提升分类模型的输出准确度。

技术领域

本申请涉及深度学习领域，特别是涉及一种图像分类方法、装置、电子设备和计算机可读存储介质。

背景技术

近年来，深度学习是计算机视觉热门方向，基于卷积神经网络的图像分类方法更是被广泛应用。

传统方法中，采用深度学习模型对图像分类，主要是将待检测图像输入深度学习模型，通过深度学习模型输出该待检测图像对应各个类型的类别概率，可以将最大的类别概率对应的类别，作为该待检测图像的类别标签。

然后，采用上述方法，当待检测图像的类型与深度学习模型的训练样本类型均不相同时，容易导致深度学习模型输出结果不准确。

发明内容

本申请实施例提供了一种图像分类方法、装置、电子设备、计算机可读存储介质。

一种图像分类方法，包括：

将待检测图像输入预设的分类模型中进行分类和可信度检测，得到待检测图像的初始分类结果和可信度；可信度用于表征待检测图像与分类模型的训练样本的相似程度；

根据可信度对初始分类结果进行校验，获得待检测图像的目标分类结果。

在其中一个实施例中，上述分类模型包括输入数据检测子模型以及类型识别子模型，将待检测图像输入预设的分类模型中进行分类和可信度检测，得到待检测图像的初始分类结果和可信度，包括：

将待检测图像输入类型识别子模型中进行分类，获得初始分类结果；

将待检测图像输入输入数据检测子模型中进行可信度检测，得到可信度。

在其中一个实施例中，上述将待检测图像输入类型识别子模型中进行分类，获得初始分类结果，包括：

通过类型识别子模型，输出待检测图像为各类型的类别概率；

获取各类别概率中的最大类别概率；

若最大类别概率大于或等于预设的异常检测阈值，则确定最大类别概率对应的目标类型为初始分类结果；

若最大类别概率小于异常检测阈值，则确定初始分类结果为空值；空值表示待检测图像为类别识别子模型不可识别的类型。

在其中一个实施例中，上述根据可信度对初始分类结果进行校验，获得待检测图像的目标分类结果，包括：

将可信度与预设的可信度阈值进行比较，得到比较结果；

根据比较结果对初始分类结果进行校验，获得待检测图像的目标分类结果。

在其中一个实施例中，上述根据比较结果对初始分类结果进行校验，获得待检测图像的目标分类结果，包括：

若比较结果为可信度大于或等于可信度阈值，根据初始分类结果确定待检测图像的目标分类结果。

在其中一个实施例中，上述根据初始分类结果确定待检测图像的目标分类结果，包括：

若初始分类结果为目标类型，则将初始分类结果确定为目标分类结果；

若初始分类结果为空值，则将分类模型输出的最大类别概率对应的类型确定为目标分类结果。

在其中一个实施例中，上述方法还包括：