CN108197652A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取待分类图像；将所述待分类图像分别导入预先建立的至少一个图像分类模型，得到所述至少一个图像分类模型中的各个图像分类模型生成的类别信息；根据所述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；根据加权处理结果得到所述待分类图像所属的类别的信息。该实施方式提高了图像分类的准确性。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理领域，尤其涉及用于生成信息的方法和装置。

背景技术

图像分类是根据不同图像所反映的特征判定类别，将图像进行归类的图像处理技术。随着互联网技术以及社交媒体的发展，需要分类的图像越来越多。现阶段可以通过预先训练的图像分类模型对图像进行图像分类，然而图像分类模型在训练过程中需要大量的训练数据，如果训练数据量小，或者训练数据难以获取，可能会导致训练得到的图像分类模型的分类能力差，最后导致图像分类不准确。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，包括：获取待分类图像；将上述待分类图像分别导入预先建立的至少一个图像分类模型，得到上述至少一个图像分类模型中的各个图像分类模型生成的类别信息；根据上述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；根据加权处理结果得到上述待分类图像所属的类别的信息。

在一些实施例中，上述至少一个图像分类模型中的各图像分类模型为卷积神经网络。

在一些实施例中，上述至少一个图像分类模型中的各图像分类模型是通过以下方式训练得到的：获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；将上述训练样本集中的各个训练样本的训练样本图像作为输入，将上述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型。

在一些实施例中，上述基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型，包括：生成初始卷积神经网络序列；获取上述初始卷积神经网络序列中的第一个初始卷积神经网络，并将上述第一个初始卷积神经网络确定为当前初始卷积神经网络，将上述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的上述训练样本集，训练上述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的；基于上述第二图像分类模型对上述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；把上述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行上述模型训练操作，直到上述当前初始卷积神经网络为上述初始卷积神经网络序列的最后一个初始卷积神经网络。

在一些实施例中，上述基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选，包括：将上述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入上述第一图像分类模型，得到各个训练样本的预测结果；对于上述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。

在一些实施例中，上述根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选，包括：去除上述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本。

在一些实施例中，训练样本的样本权重是通过以下方式确定的：在上一图像分类模型的训练过程中，对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值；根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关。

在一些实施例中，上述至少一个图像分类模型中的各个图像分类模型的权重是通过以下方式得到：对于上述至少一个图像分类模型中的每一个图像分类模型，执行以下权重确定步骤：获取验证样本集，其中，验证样本为标注有类别信息的验证样本图像；使用该图像分类模型对上述验证样本集中的各个验证样本的验证样本图像所属类别进行预测，根据上述验证样本集中的各个验证样本的预测结果与标注之间的预测误差值确定该图像分类模型的在上述验证样本集中的总预测误差；根据该图像分类模型在上述验证样本集中的总预测误差确定该图像分类模型的权重，其中，该图像分类模型的总预测误差与该图像分类模型的权重负相关。

第二方面，本申请实施例提供了一种用于生成信息的装置，包括：获取单元，用于获取待分类图像；导入单元，用于将上述待分类图像分别导入预先建立的至少一个图像分类模型，得到上述至少一个图像分类模型中的各个图像分类模型生成的类别信息；加权单元，用于根据上述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；确定单元，用于根据加权处理结果得到上述待分类图像所属的类别的信息。

在一些实施例中，上述至少一个图像分类模型中的各图像分类模型为卷积神经网络。

在一些实施例中，上述装置还包括模型训练单元，上述模型训练单元包括：训练样本集获取单元，用于获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；第一训练单元，用于将上述训练样本集中的各个训练样本的训练样本图像作为输入，将上述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；筛选单元，用于基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；第二训练单元，用于基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型。

在一些实施例中，上述第二训练单元进一步用于：生成初始卷积神经网络序列；获取上述初始卷积神经网络序列中的第一个初始卷积神经网络，并将上述第一个初始卷积神经网络确定为当前初始卷积神经网络，将上述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的上述训练样本集，训练上述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的；基于上述第二图像分类模型对上述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；把上述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行上述模型训练操作，直到上述当前初始卷积神经网络为上述初始卷积神经网络序列的最后一个初始卷积神经网络。

在一些实施例中，上述筛选单元包括：预测结果生成单元，用于将上述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入上述第一图像分类模型，得到各个训练样本的预测结果；预测误差值确定单元，用于对于上述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；筛选子单元，用于根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。

在一些实施例中，上述筛选子单元进一步用于：去除上述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本。

在一些实施例中，上述装置还包括：样本权重确定单元，用于在上一图像分类模型的训练过程中，对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值；根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关。

在一些实施例中，上述装置还包括模型权重确定单元，上述模型权重确定单元用于：对于上述至少一个图像分类模型中的每一个图像分类模型，执行以下权重确定步骤：获取验证样本集，其中，验证样本为标注有类别信息的验证样本图像；使用该图像分类模型对上述验证样本集中的各个验证样本的验证样本图像所属类别进行预测，根据上述验证样本集中的各个验证样本的预测结果与标注之间的预测误差值确定该图像分类模型的在上述验证样本集中的总预测误差；根据该图像分类模型在上述验证样本集中的总预测误差确定该图像分类模型的权重，其中，该图像分类模型的总预测误差与该图像分类模型的权重负相关。

第三方面，本申请实施例提供了一种终端，该终端包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，首先获取待分类图像，而后将上述待分类图像导入至少一个图像分类模型，得到上述至少一个图像分类模型中的各个图像分类模型生成的类别信息，然后根据上述至少一个图像分类模型中各个图像分类模型的权重，将各个图像分类模型生成的类别信息进行加权处理，最后根据加权处理结果得到上述待分类图像所属的类别的信息，从而有效利用了至少一个图像分类模型的分类结果，提高了图像分类的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如网页浏览器应用、图像处理类应用、搜索类应用、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且图像分类的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的图像分类结果提供支持的后台服务器。后台服务器可以对获取到的图像等数据进行分类等处理，并将处理结果反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行，也可以通过服务器105执行。相应地，用于生成信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。本申请对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取待分类图像。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103)可以从本地或者其他用于存储待分类图像的电子设备中获取待分类图像。

步骤202，将待分类图像分别导入预先建立的至少一个图像分类模型，得到至少一个图像分类模型中的各个图像分类模型生成的类别信息。

在本实施例中，基于步骤201获取的待分类图像，上述电子设备可以将上述待分类图像分别导入预先建立的至少一个图像分类模型，从而得到上述至少一个图像分类模型中的各个图像分类模型生成的类别信息。在这里，上述至少一个图像分类模型中的各个图像分类模型可以用于表征图像与类别信息的对应关系。在这里，图像分类模型生成的类别信息可以是一个多维向量，该多维向量的每一个维度对应一种类别，该维度上的数值表示待分类图像属于该维度所对应类别的概率。作为示例，图像分类模型可以是技术人员基于对大量图像和类别信息的统计而预先制定的、存储有多个图像与类别信息的对应关系的对应关系表，这样，上述电子设备可以将待分类图像与该对应关系表中的多张图像依次进行比较，若该对应关系表中的某张图像与待分类图像相同或相似，则可以将该对应关系表中的该图像所对应的类别信息作为待分类图像的类别信息。

在本实施例的一些可选的实现方式中，上述至少一个图像分类模型中的各图像分类模型可以为卷积神经网络。作为示例，上述卷积神经网络可以是上述电子设备或者其他用于训练上述卷积神经网络的电子设备通过以下方式训练得到：首先，可以获取训练样本集，其中，上述训练样本集中的训练样本为带有类别信息的训练样本图像。然后，可以利用上述训练样本集，训练初始卷积神经网络，得到上述卷积神经网络。作为示例，可以将训练样本的训练样本图像作为上述初始卷积神经网络的输入，将训练样本的分类信息作为上述初始卷积神经网络的输出，基于预设的损失函数和反向传播算法训练得到用于进行图像分类的卷积神经网络，其中，上述损失函数可以用于表征初始卷积神经网络输出的结果与训练样本的类别信息的误差，训练的目标是使上述损失函数的值最小。需要说明的是，上述反向传播算法(Back Propgation Algorithm，BP算法)也可称为误差反向传播(Error BackPropagation，BP)算法，或误差逆传播算法。BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出结果与训练样本的类别信息比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法(例如随机梯度下降算法)对神经元权值(例如卷积层中卷积核的参数等)进行调整。在这里，上述初始卷积神经网络可以是通过各种方式得到的，例如，基于现有的卷积神经网络随机生成网络参数得到的。需要说明的是，上述过程仅仅用于说明卷积神经网络参数的调整过程，可以认为初始卷积神经网络为参数调整前的网络，卷积神经网络为参数调整后的网络，网络参数的调整过程并不仅限于一次，可以根据网络的优化程度以及实际需要等重复多次。

在一些可选的实现方式中，上述至少一个图像分类模型中的各图像分类模型可以是上述电子设备或者其他用于训练图像分类模型的电子设备通过以下方式训练得到的：

首先，获取训练样本集，其中，训练样本可以为标注有类别信息的训练样本图像。

其次，将上述训练样本集中的各个训练样本的训练样本图像作为输入，将上述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数可以是基于训练样本的预测结果与训练样本的标注得到的，作为示例，上述第一损失函数可以为欧氏距离函数、交叉熵损失函数等等，例如，假设训练样本集中的训练样本数量为n，第一损失函数为L，则

其中，Y_i表示第i个训练样本标注的类别信息，y_i表示第i个训练样本预测得到的类别信息。在这里，上述第一初始卷积神经网络可以是通过各种方式得到的，例如，基于现有的用于图像分类的卷积神经网络随机生成网络参数得到的，又例如，上述第一初始卷积神经网络可以包括三个卷积模块，每个卷积模块包括一个卷积层、一个批量标准化层(BatchNormalization)和一个激活函数层，需要说明的是，上述卷积层、批量标准化层和激活函数层的结构和作用等都是目前广泛研究和应用的公知技术，在此不再赘述。

然后，基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选。

最后，基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型，在这里，其他图像分类模型的具体训练过程可以参考上述第一图像分类模型的训练过程，此处不再赘述。

可选的，上述基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型，可以具体包括：

首先，生成初始卷积神经网络序列。作为示例，可以通过各种方式得到多个初始卷积神经网络，例如，初始卷积神经网络可以包括三个卷积模块，每个卷积模块包括一个卷积层、一个批量标准化层(Batch Normalization)和一个激活函数层，并将多个初始卷积神经网络进行编号得到初始卷积神经网络序列。

然后，可以获取上述初始卷积神经网络序列中的第一个初始卷积神经网络，并将上述第一个初始卷积神经网络确定为当前初始卷积神经网络，将上述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的上述训练样本集，训练上述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的，作为示例，假设训练过程中所利用的训练样本集中的样本数量为n₁，所使用的损失函数为L₁，则

其中，Y_i表示第i个训练样本标注的类别信息，y_i表示第i个训练样本预测得到的类别信息，w_i表示第i样本的权重，例如w_i可以通过以下公式表示：

其中，l_i表示该训练样本由上一个图像分类模型输出的预测结果与标注的类别信息的误差。基于上述第二图像分类模型对上述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选。

最后，把上述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行上述模型训练操作，直到上述当前初始卷积神经网络为上述初始卷积神经网络序列的最后一个初始卷积神经网络。

可选的，上述基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选，可以具体包括：首先，将上述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入上述第一图像分类模型，得到各个训练样本的预测结果。然后，对于上述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值。最后，根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。作为示例，可以将预测误差值最小的训练样本进行删除。

可选的，上述根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选，可以具体包括：去除上述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本。在这里，去除了训练样本中分类效果好的训练样本，下一个模型训练的时候重点关注前一个模型不能很好的进行分类的那一部分训练样本，因此可以提高图像分类模型的准确率。

可选的，训练样本的样本权重可以是通过以下方式确定的：在上一图像分类模型的训练过程中，对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值。根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关，即该训练样本的预测误差值越大，该训练样本的样本权重越大。

步骤203，根据至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理。

在本实施例中，上述电子设备可以根据上述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理。

例如，一共有N个图像分类模型，其中，第j个图像分类模型的权重为W_j，该图像分类模型生成的类别信息为Y_j，则将N个图像分类模型生成的类别信息进行加权处理得到的结果为：

其中，

作为示例，对于上述至少一个图像分类模型中的每一个图像分类模型，可以根据该图像分类模型的分类准确度设定该图像分类模型的权重，例如，可以设定该图像分类模型的分类准确度越高，该图像分类模型的权重越大。

在本实施例的一些可选的实现方式中，上述至少一个图像分类模型中的各个图像分类模型的权重可以是通过以下方式得到：对于上述至少一个图像分类模型中的每一个图像分类模型，可以执行以下权重确定步骤：首先，可以获取验证样本集，其中，验证样本可以为标注有类别信息的验证样本图像。然后，可以使用该图像分类模型对上述验证样本集中的各个验证样本的验证样本图像所属类别进行预测，根据上述验证样本集中的各个验证样本的预测结果与标注之间的预测误差值确定该图像分类模型的在上述验证样本集中的总预测误差。最后，可以根据该图像分类模型在上述验证样本集中的总预测误差确定该图像分类模型的权重，其中，该图像分类模型的总预测误差与该图像分类模型的权重负相关，即该图像分类模型的总预测误差越大，该图像分类模型的权重越小。

步骤204，根据加权处理结果得到待分类图像所属的类别的信息。

在本实施例中，上述电子设备可以根据加权处理结果得到上述待分类图像所属的类别的信息，例如，所属类别的名称。作为示例，上述电子设备基于步骤203可以得到上述待分类图像的类别信息，该类别信息综合了上述至少一个图像分类模型中的各个图像分类模型所生成的类别信息，该类别信息可以是一个多维向量，该多维向量的每一个维度对应一种类别，该维度上的数值表示待分类图像属于该维度所对应类别的概率。上述电子设备可以将该多维向量中概率最大的维度对应的类别作为待分类图像所属的类别，从而得到待分类图像所属类别的信息。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，终端设备首先获取待分类图像；之后，将上述待分类图像分别导入图像分类模型1、图像分类模型2、图像分类模型3……图像分类模型N，得到类别信息1、类别信息2、类别信息3……类别信息N；然后，根据图像分类模型1、图像分类模型2、图像分类模型3……图像分类模型N的权重，将类别信息1、类别信息2、类别信息3……类别信息N进行加权处理；最后，根据加权处理结果得到上述待分类图像所属的类别的信息。

本申请的上述实施例提供的方法有效利用了至少一个图像分类模型的分类结果，提高了图像分类的准确性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于生成信息的装置400包括：获取单元401、导入单元402、加权单元403和确定单元404。其中，获取单元401用于获取待分类图像；导入单元402用于将上述待分类图像分别导入预先建立的至少一个图像分类模型，得到上述至少一个图像分类模型中的各个图像分类模型生成的类别信息；加权单元403用于根据上述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；确定单元404用于根据加权处理结果得到上述待分类图像所属的类别的信息。

在本实施例中，用于生成信息的装置400的获取单元401、导入单元402、加权单元403和确定单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述至少一个图像分类模型中的各图像分类模型可以为卷积神经网络。

在本实施例的一些可选的实现方式中，上述装置还可以包括模型训练单元(图中未示出)，上述模型训练单元包括：训练样本集获取单元(图中未示出)，用于获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；第一训练单元(图中未示出)，用于将上述训练样本集中的各个训练样本的训练样本图像作为输入，将上述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；筛选单元(图中未示出)，用于基于上述第一图像分类模型对上述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；第二训练单元(图中未示出)，用于基于经过筛选后的上述训练样本集训练上述至少一个图像分类模型中的、除上述第一图像分类模型之外的其他图像分类模型。

在本实施例的一些可选的实现方式中，上述第二训练单元可以进一步用于：生成初始卷积神经网络序列；获取上述初始卷积神经网络序列中的第一个初始卷积神经网络，并将上述第一个初始卷积神经网络确定为当前初始卷积神经网络，将上述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的上述训练样本集，训练上述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的；基于上述第二图像分类模型对上述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；把上述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行上述模型训练操作，直到上述当前初始卷积神经网络为上述初始卷积神经网络序列的最后一个初始卷积神经网络。

在本实施例的一些可选的实现方式中，上述筛选单元可以包括：预测结果生成单元(图中未示出)，用于将上述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入上述第一图像分类模型，得到各个训练样本的预测结果；预测误差值确定单元(图中未示出)，用于对于上述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；筛选子单元(图中未示出)，用于根据上述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。

在本实施例的一些可选的实现方式中，上述筛选子单元可以进一步用于：去除上述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本。

在本实施例的一些可选的实现方式中，上述装置还可以包括：样本权重确定单元(图中未示出)，用于在上一图像分类模型的训练过程中，对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值；根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关。

在本实施例的一些可选的实现方式中，上述装置还可以包括模型权重确定单元(图中未示出)，上述模型权重确定单元用于：对于上述至少一个图像分类模型中的每一个图像分类模型，执行以下权重确定步骤：获取验证样本集，其中，验证样本为标注有类别信息的验证样本图像；使用该图像分类模型对上述验证样本集中的各个验证样本的验证样本图像所属类别进行预测，根据上述验证样本集中的各个验证样本的预测结果与标注之间的预测误差值确定该图像分类模型的在上述验证样本集中的总预测误差；根据该图像分类模型在上述验证样本集中的总预测误差确定该图像分类模型的权重，其中，该图像分类模型的总预测误差与该图像分类模型的权重负相关。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、导入单元、加权单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待分类图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取待分类图像；将所述待分类图像分别导入预先建立的至少一个图像分类模型，得到所述至少一个图像分类模型中的各个图像分类模型生成的类别信息；根据所述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；根据加权处理结果得到所述待分类图像所属的类别的信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于生成信息的方法，包括：

获取待分类图像；

将所述待分类图像分别导入预先建立的至少一个图像分类模型，得到所述至少一个图像分类模型中的各个图像分类模型生成的类别信息；

根据所述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；

根据加权处理结果得到所述待分类图像所属的类别的信息。

2.根据权利要求1所述的方法，其中，所述至少一个图像分类模型中的各图像分类模型为卷积神经网络。

3.根据权利要求2所述的方法，其中，所述至少一个图像分类模型中的各图像分类模型是通过以下方式训练得到的：

获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；

将所述训练样本集中的各个训练样本的训练样本图像作为输入，将所述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；

基于所述第一图像分类模型对所述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；

基于经过筛选后的所述训练样本集训练所述至少一个图像分类模型中的、除所述第一图像分类模型之外的其他图像分类模型。

4.根据权利要求3所述的方法，其中，所述基于经过筛选后的所述训练样本集训练所述至少一个图像分类模型中的、除所述第一图像分类模型之外的其他图像分类模型，包括：

生成初始卷积神经网络序列；

获取所述初始卷积神经网络序列中的第一个初始卷积神经网络，并将所述第一个初始卷积神经网络确定为当前初始卷积神经网络，将所述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的所述训练样本集，训练所述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的；基于所述第二图像分类模型对所述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；

把所述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行所述模型训练操作，直到所述当前初始卷积神经网络为所述初始卷积神经网络序列的最后一个初始卷积神经网络。

5.根据权利要求4所述的方法，其中，所述基于所述第一图像分类模型对所述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选，包括：

将所述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入所述第一图像分类模型，得到各个训练样本的预测结果；

对于所述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；

根据所述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。

6.根据权利要求5所述的方法，其中，所述根据所述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选，包括：

去除所述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本。

7.根据权利要求4所述的方法，其中，训练样本的样本权重是通过以下方式确定的：

在上一图像分类模型的训练过程中，对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值；根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关。

8.根据权利要求1-7任一所述的方法，其中，所述至少一个图像分类模型中的各个图像分类模型的权重是通过以下方式得到：

对于所述至少一个图像分类模型中的每一个图像分类模型，执行以下权重确定步骤：

获取验证样本集，其中，验证样本为标注有类别信息的验证样本图像；

使用该图像分类模型对所述验证样本集中的各个验证样本的验证样本图像所属类别进行预测，根据所述验证样本集中的各个验证样本的预测结果与标注之间的预测误差值确定该图像分类模型的在所述验证样本集中的总预测误差；

根据该图像分类模型在所述验证样本集中的总预测误差确定该图像分类模型的权重，其中，该图像分类模型的总预测误差与该图像分类模型的权重负相关。

9.一种用于生成信息的装置，包括：

获取单元，用于获取待分类图像；

导入单元，用于将所述待分类图像分别导入预先建立的至少一个图像分类模型，得到所述至少一个图像分类模型中的各个图像分类模型生成的类别信息；

加权单元，用于根据所述至少一个图像分类模型中各个图像分类模型预先设定的权重，将各个图像分类模型生成的类别信息进行加权处理；

确定单元，用于根据加权处理结果得到所述待分类图像所属的类别的信息。

10.根据权利要求9所述的装置，其中，所述至少一个图像分类模型中的各图像分类模型为卷积神经网络。

11.根据权利要求10所述的装置，其中，所述装置还包括模型训练单元，所述模型训练单元包括：

训练样本集获取单元，用于获取训练样本集，其中，训练样本为标注有类别信息的训练样本图像；

第一训练单元，用于将所述训练样本集中的各个训练样本的训练样本图像作为输入，将所述训练样本集中的各个训练样本图像所对应的类别信息作为输出，训练第一初始卷积神经网络，得到第一图像分类模型，其中，训练过程中所使用的第一损失函数是基于训练样本的预测结果与训练样本的标注得到的；

筛选单元，用于基于所述第一图像分类模型对所述第一图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；

第二训练单元，用于基于经过筛选后的所述训练样本集训练所述至少一个图像分类模型中的、除所述第一图像分类模型之外的其他图像分类模型。

12.根据权利要求11所述的装置，其中，所述第二训练单元进一步用于：

生成初始卷积神经网络序列；

获取所述初始卷积神经网络序列中的第一个初始卷积神经网络，并将所述第一个初始卷积神经网络确定为当前初始卷积神经网络，将所述第一图像分类模型作为上一图像分类模型，执行以下模型训练操作：利用经过筛选后的所述训练样本集，训练所述当前初始卷积神经网络，得到第二图像分类模型，训练过程中所使用的损失函数是基于训练样本的样本权重、预测结果和标注得到的，其中，训练样本的样本权重是在上一图像分类模型的训练过程中确定的；基于所述第二图像分类模型对所述第二图像分类模型训练过程中所使用的训练样本集中的训练样本进行筛选；

把所述初始卷积神经网络序列中当前初始卷积神经网络的下一初始卷积神经网络作为当前初始卷积神经网络，同时把基于当前初始卷积神经网络训练得到的图像分类模型作为上一图像分类模型，继续执行所述模型训练操作，直到所述当前初始卷积神经网络为所述初始卷积神经网络序列的最后一个初始卷积神经网络。

13.根据权利要求12所述的装置，其中，所述筛选单元包括：

预测结果生成单元，用于将所述第一图像分类模型训练过程中所使用的训练样本集中的各个训练样本分别导入所述第一图像分类模型，得到各个训练样本的预测结果；

预测误差值确定单元，用于对于所述第一图像分类模型训练过程中所使用的训练样本集中的每一个训练样本，根据该训练样本的预测结果和标注确定该训练样本对应的预测误差值；

筛选子单元，用于根据所述第一图像分类模型对各个训练样本的预测误差值对训练样本进行筛选。

14.根据权利要求13所述的装置，其中，所述筛选子单元进一步用于：

去除所述第一图像分类模型训练过程中所使用的训练样本集中的、预测误差值小于预设的第一阈值的训练样本。

15.根据权利要求12所述的装置，其中，所述装置还包括：

样本权重确定单元，用于在上一图像分类模型的训练过程中，对于所使用训练样本集中的每一个训练样本，根据该训练样本的预测结果与标注确定该训练样本对应的预测误差值；根据该训练样本的预测误差值确定该训练样本的样本权重，其中，该训练样本的预测误差值与该训练样本的样本权重正相关。

16.根据权利要求9-15任一所述的装置，其中，所述装置还包括模型权重确定单元，所述模型权重确定单元用于：

对于所述至少一个图像分类模型中的每一个图像分类模型，执行以下权重确定步骤：

获取验证样本集，其中，验证样本为标注有类别信息的验证样本图像；

使用该图像分类模型对所述验证样本集中的各个验证样本的验证样本图像所属类别进行预测，根据所述验证样本集中的各个验证样本的预测结果与标注之间的预测误差值确定该图像分类模型的在所述验证样本集中的总预测误差；

根据该图像分类模型在所述验证样本集中的总预测误差确定该图像分类模型的权重，其中，该图像分类模型的总预测误差与该图像分类模型的权重负相关。

17.一种终端，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

18.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。