[发明专利]一种图像分类方法、装置、设备及存储介质

说明书

本申请实施例公开了一种图像分类方法、装置、设备及存储介质，方法包括：获取目标图像；将目标图像输入到图像分类模型，得到图像分类模型输出的分类结果，图像分类模型根据包括特征类别标签的多个训练图像训练得到，在训练的过程中，图像分类模型的罗吉特logit参数的调整量与训练图像的分类准确度呈负相关关系，根据分类结果，确定目标图像的特征类别。本申请实施例在图像分类模型训练过程中，对训练图像的分类准确度较低的训练图像对应的类别进行更大的罗吉特logit参数调整，对训练图像的分类准确度较高的训练图像对应的类别进行较小的logit参数调整，使得图像分类模型对训练图像的分类准确度较低的训练图像更加关注，图像分类效果增强。

技术领域

本申请涉及计算机领域，尤其涉及一种图像分类方法、装置、设备及存储介质。

背景技术

随着计算机技术的快速发展，机器学习领域也有了很多的技术进步。在机器学习领域主要是训练神经网络模型来预测或处理某些数据，来代替重复的人工操作，例如训练神经网络模型来实现计算机视觉、语音识别、自然语言处理或图像分类。

在训练神经网络进行图像分类时，存在一个很重要的问题：不同图像类别的数据样本不均衡分布。不同图像类别的数据样本不均衡分布会导致在机器学习过程中，分类结果会比较偏向样本数较多的类别，样本数较少的类别分类准确度较低，分类效果较差。

发明内容

为了解决现有技术由于不同图像类别的数据样本不均衡分布导致分类效果较差的问题，本申请提出了一种图像分类方法、装置、设备及存储介质。

本申请实施例提供一种图像分类方法，所述方法包括：

获取目标图像；

将所述目标图像输入到图像分类模型，得到所述图像分类模型输出的分类结果，所述图像分类模型根据包括特征类别标签的多个训练图像训练得到，所述特征类别标签根据所述训练图像的图像特征确定，且在训练的过程中，所述图像分类模型的罗吉特logit参数的调整量与所述训练图像的分类准确度呈负相关关系，所述logit参数表达所述训练图像属于每个所述特征类别标签对应的特征类别的置信度的相对值；

根据所述分类结果，确定所述目标图像的特征类别。

可选的，所述训练图像的分类准确度表示为所述训练图像的特征向量与所述训练图像的特征类别的中心向量之间的夹角的余弦值。

可选的，所述训练图像的分类准确度表示为所述训练图像属于对应特征类别标签的特征类别的概率。

可选的，所述logit参数的调整量还与所述训练图像的特征类别标签对应的样本量呈负相关关系。

可选的，所述训练图像还包括对应的样本量类别标签，所述样本量类别标签用于标识所述训练图像的样本量类别，所述样本量类别标签根据所述特征类别标签对应的样本量确定；

所述图像分类模型的logit参数的调整量根据所述样本量类别标签确定。

可选的，在训练的过程中，所述方法还包括：

根据所述训练图像的特征类别对应的样本量的大小对所述特征类别进行排序；

根据排序结果将多个训练图像划分为多个样本量类别。

可选的，所述图像分类模型的损失函数根据每个训练图像对应的logit参数和所述训练图像对应的权重得到，其中，所述训练图像对应的权重与所述训练图像的特征类别标签对应的样本量呈负相关关系。

本申请实施例还提供一种图像分类装置，所述装置包括：

获取单元，用于获取目标图像；