[发明专利]一种图像分类方法、装置、电子设备及存储介质

说明书

本发明涉及计算机技术领域，公开了一种图像分类方法、装置、电子设备及存储介质，本实施例的方法包括：提取待处理图像的类别特征，并对所述待处理图像的类别特征进行线性变换，获得所述待处理图像的类别特征向量；根据各预设类别特征向量与所述待处理图像的类别特征向量之间的相对熵，从预设类别特征向量中选择至少一个目标类别特征向量；根据所述预设类别特征向量与预设类别的对应关系，确定所述目标类别特征向量对应的预设类别。上述实施例通过类别特征向量间的相对熵将相似的类别关联起来，提升了图像到类别的映射能力，目标类别特征向量对应的预设类别能够准确表征图像所要表达的内容或含义。

技术领域

本发明涉及计算机技术领域，特别涉及一种图像分类方法、装置、电子设备及存储介质。

背景技术

随着科技的进步，人工智能(Artificial Intelligence，AI)技术迅速发展，在图像处理等相关领域得到了广泛应用，例如通过图像识别模型对图像进行分类，将分类结果提供给用户进行参考，以使用户方便地进行类别选择。

相关技术中，根据样本图像和这些样本图像的实际类别，训练得到图像识别模型，将需要分类的图像输入该图像识别模型，就能得到预测类别。

然而，上述图像识别模型学习的特征较差，提供给用户进行参考的预测类别不能准确表征图像所要表达的内容或含义。

发明内容

本发明提供了一种图像分类方法、装置、电子设备及存储介质，用以使图像的分类结果能够准确表征图像所要表达的内容或含义。

第一方面，本发明实施例提供一种图像分类方法，该方法包括：

提取待处理图像的类别特征，并对所述待处理图像的类别特征进行线性变换，获得所述待处理图像的类别特征向量；

根据各预设类别特征向量与所述待处理图像的类别特征向量之间的相对熵，从预设类别特征向量中选择至少一个目标类别特征向量；

根据所述预设类别特征向量与预设类别的对应关系，确定所述目标类别特征向量对应的预设类别。

上述方案，通过确定待处理图像的类别特征向量，进而根据表征各预设类别特征向量与待处理图像的类别特征向量之间接近程度的相对熵，从预设类别特征向量中选择目标类别特征向量，由于不同的类别是孤立的，但是不同的类别对应的类别特征向量间是有关联的，相似的类别对应的类别特征向量间的相对熵较小，也就是说通过类别特征向量间的相对熵能够很好的将相似的类别关联起来，相比于孤立的类别来说，提升了图像到类别的映射能力，因此上述目标类别特征向量对应的预设类别能够准确表征待处理图像所要表达的内容或含义。

在一种可能的实现方式中，提取待处理图像的类别特征，并对所述待处理图像的类别特征进行线性变换，获得所述待处理图像的类别特征向量，包括：

将所述待处理图像输入训练后的神经网络模型的输入层，通过所述输入层以及所述训练后的神经网络模型的隐含层提取所述待处理图像的类别特征；

通过所述训练后的神经网络模型的输出层对所述待处理图像的类别特征进行线性变换，所述输出层输出所述待处理图像的类别特征向量。

上述方案，将上述待处理图像输入训练后的神经网络模型，通过该训练后的神经网络模型的输入层和隐含层能够准确地提取该待处理图像的类别特征，由于该训练后的神经网络模型的输出层的激活函数输出的数值格式与向量格式不同，因此输出层不使用激活函数，而是直接对该待处理图像的类别特征进行线性变换，从而得到符合格式要求的待处理图像的类别特征向量。

在一种可能的实现方式中，通过以下方式训练得到所述训练后的神经网络模型：