CN108564102A

CN108564102A - 图像聚类结果评价方法和装置

Info

Publication number: CN108564102A
Application number: CN201810007796.1A
Authority: CN
Inventors: 翁仁亮
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2018-01-04
Filing date: 2018-01-04
Publication date: 2018-09-21

Abstract

本申请实施例公开了图像聚类结果评价方法和装置。该方法的一具体实施方式包括：对聚类得到的目标图像簇中的每幅图像进行特征提取；基于提取出的特征生成目标图像簇对应的特征协方差矩阵；将协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息，其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出。该实施方式实现了可靠的图像聚类效果的评估。

Description

图像聚类结果评价方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理技术领域，尤其涉及图像聚类结果评价方法和装置。

背景技术

聚类是数据挖掘的一种方法。在图像处理技术中，图像聚类是基于图像特征将多幅图像分成由类似的图像组成的多个类的过程。图像聚类在图像分割、目标跟踪等领域具有重要的作用。

在大规模的图像聚类场景中，聚类过程中可能会出现误差，将本不属于同一类的图像归为同一个图像簇，则该图像簇的中心会发生偏移，使得后续的聚类结果越来越不准确，因此需要评价聚类结果的准确程度，及时修正错误的图像聚类结果。

发明内容

本申请实施例提出了图像聚类结果评价方法和装置。

第一方面，本申请实施例提供了一种图像聚类结果评价方法，包括：对聚类得到的目标图像簇中的每幅图像进行特征提取；基于提取出的特征生成目标图像簇对应的特征协方差矩阵；将协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息；其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出。

在一些实施例中，上述聚类结果评价模型是按照如下方式训练得出的：获取多个样本图像簇和各样本图像簇的聚类结果评价信息的标记结果；对各样本图像簇进行特征提取；基于提取出的特征生成各样本图像簇的样本特征协方差矩阵；采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到聚类结果评价模型，其中，预设的损失函数基于样本图像簇的聚类结果评价信息的标记结果与聚类结果评价模型对应的神经网络输出的样本图像簇的聚类结果的评价信息的预测结果之间的差异构建。

在一些实施例中，上述采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到聚类结果评价模型，包括：确定聚类结果评价模型对应的神经网络的参数的初始值，执行比对步骤；比对步骤包括：将样本特征协方差矩阵输入聚类结果评价模型对应的神经网络，得到对应的样本图像簇的聚类结果评价信息的预测结果，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新聚类结果评价模型对应的神经网络对应的参数，并执行比对步骤；若比对步骤的判断结果为是，输出聚类结果评价模型对应的神经网络的参数。

在一些实施例中，上述对聚类得到的目标图像簇中的每幅图像进行特征提取，包括：采用卷积神经网络对目标图像簇中的每幅图像进行特征提取，得到目标图像簇中每幅图像的特征图集合；上述基于提取出的特征生成目标图像簇对应的特征协方差矩阵，包括：基于目标图像簇中的每幅图像的特征图集合构建目标图像簇的特征矩阵；计算目标图像簇的特征矩阵的协方差矩阵。

在一些实施例中，上述方法还包括：根据目标图像簇的聚类结果评价信息保留或/删除目标图像簇。

第二方面，本申请实施例提供了一种图像聚类结果评价装置，包括：提取单元，用于对聚类得到的目标图像簇中的每幅图像进行特征提取；生成单元，用于基于提取出的特征生成目标图像簇对应的特征协方差矩阵；评价单元，用于将特征协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息；其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出。

在一些实施例中，上述聚类结果评价模型是采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数，进一步按照如下方式训练得到的：确定聚类结果评价模型对应的神经网络的参数的初始值，执行比对步骤；比对步骤包括：将样本特征协方差矩阵输入聚类结果评价模型对应的神经网络，得到对应的样本图像簇的聚类结果评价信息的预测结果，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新聚类结果评价模型对应的神经网络对应的参数，并执行比对步骤；若比对步骤的判断结果为是，输出聚类结果评价模型对应的神经网络的参数。

在一些实施例中，上述提取单元进一步用于按照如下方式对聚类得到的目标图像簇中的每幅图像进行特征提取：采用卷积神经网络对目标图像簇中的每幅图像进行特征提取，得到目标图像簇中每幅图像的特征图集合；上述生成单元进一步用于按照如下方式生成目标图像簇对应的特征协方差矩阵：基于目标图像簇中的每幅图像的特征图集合构建目标图像簇的特征矩阵；计算目标图像簇的特征矩阵的协方差矩阵。

在一些实施例中，上述装置还包括：处理单元，用于根据目标图像簇的聚类结果评价信息保留或/删除目标图像簇。

第三方面，本申请实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的图像聚类结果评价方法。

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，程序被处理器执行时实现第一方面提供的图像聚类结果评价方法。

本申请上述实施例的图像聚类结果评价方法和装置，通过对聚类得到的目标图像簇中的每幅图像进行特征提取，然后基于提取出的特征生成目标图像簇对应的特征协方差矩阵；之后将协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息，其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出，实现了可靠的图像聚类效果的评估。

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是根据本申请的图像聚类结果评价方法的一个实施例的流程图；

图3是根据本申请的图像聚类结果评价方法的一个应用场景的示意图；

图4是根据本申请实施例的图像聚类结果评价装置的一个结构示意图；

图5是适于用来实现本申请实施例的电子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图像聚类结果评价方法或图像聚类结果评价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。

终端设备101、102、103可以通过网络104与服务器105交互，以接收或发送数据。终端设备101、102、103可以是具有图像采集功能的设备，例如监控摄像头、智能手机、平板电脑、个人电脑等。终端设备101、102、103可以具有网络接口，可以接收服务器105发出的图像获取请求，也可以响应于用户110的请求通过网络接口将采集到的图像上传至服务器105进行处理。

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上传的图像进行图像聚类的服务器。在终端设备101、102上传图像之后，服务器105可以对上传的图像进行特征提取、聚类、目标识别等处理，并将处理结果返回给终端设备101、102、103。

需要说明的是，本申请实施例所提供的图像聚类结果评价方法可以由终端设备101、102、103或服务器105执行，相应地，图像聚类结果评价装置可以设置于终端设备101、102、103或服务器105中。

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。例如服务器可以为集群式的服务器，包括部署了不同进程的多台服务器。

继续参考图2，其示出了根据本申请的图像聚类结果评价方法的一个实施例的流程200。该图像聚类结果评价方法，包括以下步骤：

步骤201，对聚类得到的目标图像簇中的每幅图像进行特征提取。

在本实施例中，上述图像聚类结果评价方法运行于其上的电子设备(例如图1所示的终端设备或服务器)可以获取对图像聚类得到的图像簇，每个图像簇可以包括多幅图像，例如可以包括多幅人脸图像。在这里，目标图像簇可以是待评价的图像簇，可以是聚类得到的多个图像簇中的任意一个。

在实际场景中，对图像聚类得到图像簇之后，可以依次将每个图像簇作为目标图像簇，评价其聚类结果。也可以响应于接收到选择待评价的图像簇的指令，确定被选择的图像簇为目标图像簇。

可以采用多种特征提取方法对目标图像簇中的各幅图像进行特征提取。例如可以提取图像的统计特征，包括面积、灰度值、直方图统计特征等；可以采用边缘检测、角点检测、尺度不变特征变换(Scale Invariant Feature Transform，SIFT)、主成分分析等算法提取出图像的特征。提取出的特征可以采用数组、向量或矩阵等形式表示。

可选地，目标图像簇中的各幅图像采用相同的特征提取方法进行特征提取，这样，提取出的各幅图像的特征的维数相同。

步骤202，基于提取出的特征生成目标图像簇对应的特征协方差矩阵。

在提取出每幅图像的特征之后，可以基于目标图像簇中所有图像的特征构建目标图像簇对应的特征协方差矩阵。具体可以计算目标图像簇的所有特征两两之间的协方差，每个协方差作为协方差矩阵中的一个元素。

在本实施例的一些可选的实现方式中，上述对聚类得到的目标图像簇中的每幅图像进行特征提取的步骤201可以包括：采用卷积神经网络对目标图像簇中的每幅图像进行特征提取，得到目标图像簇中每幅图像的特征图集合。这时，可以采用如下方式执行步骤202：基于目标图像簇中的每幅图像的特征图集合构建目标图像簇的特征矩阵；计算目标图像簇的特征矩阵的协方差矩阵。也就是说，可以采用卷积神经网络作为特征提取方法，将提取出的每幅图像的多幅特征图组成一个特征图集合。然后可以将同一个目标图像簇中每幅图像的特征图集合组合在一起，形成目标图像簇的特征图集合，并基于目标图像簇的特征图集合构建特征矩阵。该特征矩阵可以由目标图像簇的特征图集合中各特征图的像素灰度矩阵沿矩阵行方向、或列方向、或预先设定的组合方式依次组合形成。之后可以计算特征矩阵的协方差矩阵。

具体来说，假设目标图像簇中包括n幅图像X₁、X₂、…、X_n，每幅图像X_i的特征为f_i，特征f_i可以为一个D维的特征，f_i∈R^D，那么目标图像簇对应的特征矩阵S为：

其中，f_ij为特征f_i的第j维分量，j＝1,2，…，D。

然后可以计算目标图像簇对应的特征矩阵S的协方差矩阵，即图像簇对应的特征协方差矩阵E，如式(2)：

其中，

这样，可以得到一个大小为D×D的特征协方差矩阵E。

如果图像簇内的各幅图像之间相似度较高，聚类精度较高，则得到的特征协方差矩阵E呈现规律性的分布；反之如果图像簇内的各幅图像之间的相似度低，聚类精度低，则得到的特征协方差矩阵E的分布的规律性较差。

步骤203，将特征协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息。

在本实施例中，可以将上述特征协方差矩阵输入已训练的聚类结果评价模型进行处理。在这里，聚类结果评价模型是用于对图像簇的聚类结果进行评价的模型，可以判断聚类结果是否准确。

在本实施例中，聚类结果评价模型可以是基于卷积神经网络构建的，该卷积神经网络可以包括至少一个卷积层，还可以包括至少一个降采样层。各卷积层包括卷积核，可以利用卷积核对输入的图像进行卷积运算，去除冗余的图像信息，提取出图像特征。提取出的图像特征可以是特征图，可以将特征图转换为包括至少一维特征的特征向量来表示。

上述聚类结果评价模型可以是采用有监督的机器学习方法训练得出的。具体可以基于已标记聚类结果评价信息的样本图像簇训练得出。已标记聚类结果评价信息的样本图像簇可以包括多个样本图像簇，以及每个样本图像簇的聚类结果评价信息的标记结果。在构建样本图像簇时，可以选取一些样本图像，随机地归类形成负样本，按照图像之间的相似程度归类形成正样本，分别标记负样本和正样本的聚类结果评价信息。在训练过程中，可以利用聚类结果评价模型对样本图像簇的聚类结果评价信息进行预测，将预测结果与标记结果比对，不断调整聚类结果评价模型的参数，使得预测结果与标记结果逼近。这样，聚类结果评价模型可以学习到人工标记聚类结果评价信息的逻辑。

在实际场景中，可以根据应用中对聚类精度的要求来标记样本图像簇的聚类结果评价信息。一般地，可以将样本图像簇的聚类结果标记为“准确”和“不准确”，分别用数值或字符标签标记。在一些场景中，标记时可以将样本图像簇的聚类结果的评价信息按照准确程度分为多个层级，举例来说，举例来说，构建的样本图像簇a、b、c分别包含100幅图像，样本图像簇a中100幅图像之间的相似程度均较高，样本图像簇b中5幅图像与其他95幅图像相似程度较低，样本图像簇c中20幅图像与其他80幅图像的相似程度较低；则可以将样本图像簇a、b、c的聚类结果分别标记为“准确”、“良好”、“不准确”。这样，训练得到的图像聚类结果评价模型可以按照标记时采用的层级对输入的目标图像簇进行评价。

本申请上述实施例提供的图像聚类结果评价方法，通过对聚类得到的目标图像簇中的每幅图像进行特征提取，然后基于提取出的特征生成目标图像簇对应的特征协方差矩阵；之后将协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息，其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出，实现了图像聚类效果的评估，能够提升聚类效果评估的可靠性。

在本实施例的一些可选的实现方式中，上述聚类结果评价模型可以是按照如下方式训练得出的：

首先，获取多个样本图像簇和各样本图像簇的聚类结果评价信息的标记结果。可以在已有的网络图像库、监控图像库等图像数据库中挑选一些图片来构建样本图像簇。需要说明的是，构建的样本图像簇中至少包含聚类结果准确的图像簇，即需要构建至少一个样本图像簇，该样本图像簇中各图像之间的相似程度都较高。举例来说，在人脸图像聚类场景中，需要构建至少一个包含同一用户的多幅不同人脸图像的样本图像簇。

上述样本图像簇的聚类结果评价信息可以是人工标记好的，可以采用数字或符号标签来表示，例如聚类准确的样本图像簇的聚类结果评价信息的标记结果可以用标签“1”来表示，聚类不准确的样本图像簇的聚类结果的评价信息的标记结果可以用标签“0”来表示。这样，在训练完成之后，聚类结果评价模型可以输出相应的标签“1”或“0”来指示聚类结果。

然后，对各样本图像簇进行特征提取。

可以采用多种图像特征提取方法对样本图像簇中的图像进行特征提取。例如可以采用主成分分析、尺度不变特征变换等方法提取每幅图像的特征，或者可以采用神经网络进行特征提取。

可选地，可以采用同一种特征提取方法对样本图像簇和对目标图像簇中的每幅图像进行特征提取，以避免不同的特征提取方法提取出的特征的类型或属性(例如提取出的特征类型可以为纹理特征、边缘特征、灰度分布特征等)之间的差异对图像聚类结果评价结果的准确程度造成影响。

之后，基于提取出的特征生成各样本图像簇的样本特征协方差矩阵。

然后，可以采用与目标图像簇对应的特征协方差矩阵的计算方法相同的方法来计算由样本图像簇的特征所构成的矩阵的协方差矩阵，即可以计算得到样本图像簇的样本特征协方差矩阵。具体的计算方法参考以上公式(1)、(2)、(3)，此处不再赘述。

最后，采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到聚类结果评价模型。其中，预设的损失函数基于样本图像簇的聚类结果评价信息的标记结果与聚类结果评价模型对应的神经网络输出的样本图像簇的聚类结果的评价信息的预测结果之间的差异构建。

可以构建聚类结果评价模型的神经网络，该神经网络可以为卷积神经网络，包括多个卷积层和降采样层。然后将样本特征协方差矩阵输入卷积神经网络，得到样本图像簇的聚类结果的评价信息的预测结果。然后基于输出的预测结果与标记结果之间的差异构建损失函数，然后通过重复执行调整聚类结果评价模型的参数、将样本特征协方差矩阵输入与聚类结果评价模型得到新的预测结果来最小化损失函数的值，将损失函数的值最小时所使用的参数作为训练完成的聚类结果评价模型的参数。

在进一步的实现方式中，上述采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到聚类结果评价模型的步骤，可以按照如下方式执行：

首先，确定聚类结果评价模型对应的神经网络的参数的初始值，执行比对步骤。比对步骤包括：将样本特征协方差矩阵输入聚类结果评价模型对应的神经网络，得到对应的样本图像簇的聚类结果评价信息的预测结果，判断上述损失函数的值是否满足预设的收敛条件。

在这里，损失函数可以表示样本图像簇的聚类结果评价信息的预测结果与标记结果之间的差异。上述聚类结果评价信息的预测结果可以具有概率分布，则可以采用基于softmax函数的交叉熵来构建损失函数。

在利用确定了参数值的聚类结果评价模型的神经网络对样本图像簇的聚类结果的评价信息进行预测得到预测结果之后，可以计算得到损失函数的值。然后可以判断损失函数的值是否满足预设的收敛条件，其中，预设的收敛条件可以是损失函数的值小于第一阈值，也可以是最近几次比对步骤得到的损失函数的值之间的差异小于第二阈值。

然后，可以根据比对步骤的判断结果确定是否进行参数更新。具体地，若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新聚类结果评价模型对应的神经网络对应的参数，并执行比对步骤；若比对步骤的判断结果为是，输出聚类结果评价模型对应的神经网络的参数。

具体来说，若比对步骤的判断结果为损失函数的值不满足预设的收敛条件，则计算损失函数对上述聚类结果评价模型对应的神经网络中的参数的梯度，采用梯度下降法来更新上述聚类结果评价模型对应的神经网络中的各参数。然后基于更新参数后的聚类结果评价模型执行上述比对步骤。

若比对步骤的判断结果为损失函数的值满足预设的收敛条件，则可以确定当前的聚类结果评价模型实现了对样本图像簇的聚类结果评价的逻辑的学习，这时可以输出当前的参数作为训练完成的聚类结果评价模型的参数。

通过上述方式训练得出的聚类结果评价模型，充分利用了相似图像所组成的图像簇的特征之间的一致性、不相似的图像所组成的图像簇的特征之间的差异性在对应特征协方差中的体现，不断迭代更新神经网络的参数，能够有效地提升训练效率、提升模型的预测效果。

在一些实施例中，上述图像聚类结果评价方法还可以包括：根据目标图像簇的聚类结果评价信息保留或/删除目标图像簇。如果目标图像簇的聚类结果评价信息指示目标图像簇的聚类效果较差，则可以删除目标图像簇，重新对目标图像簇中的图像进行聚类；如果目标图像簇的聚类结果评价信息指示目标图像簇的聚类效果良好，则可以保留目标图像簇。由于不准确的聚类结果会造成聚类中心的偏移，通过上述方法可以避免聚类中心偏移导致的后续基于该聚类结果的进一步聚类产生更大的误差。

请参考图3，其示出了根据本申请的图像聚类结果评价方法的一个应用场景的示意图。

如图3所示，终端设备A可以将图像集合发送至服务器B，并请求服务器B对图像集合进行聚类。服务器B在执行对图像集合的聚类的过程中，得到中间聚类结果，包括簇1，簇2，簇3，…，簇m。然后服务器可以对初步的聚类结果中的每个簇进行聚类结果评价，具体可以对每个簇中的图像进行特征提取，基于提取出的特征生成每个簇的特征协方差矩阵，之后将特征协方差矩阵输入已训练的聚类结果评价模型中，得到每个簇的聚类结果评价信息，其中，簇2的聚类结果评价信息为“不干净”，表示簇2的聚类结果不准确；簇1，簇3，…，簇m的聚类结果评价信息为“干净”，表示簇1，簇3，…，簇m的聚类结果准确。这时，可以删除簇2，重新对簇2中的图像进行聚类。从图3可以看出，本实施例的图像聚类结果评价方法可以应用在图像集合中的所有图像聚类完成时以及在所有图像聚类完成之前的任意时刻执行，能够提升聚类结果的可靠性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种图像聚类结果评价装置的一个实施例，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，本实施例的图像聚类结果评价装置400包括：提取单元401、生成单元402和评价单元403。提取单元401可以用于对聚类得到的目标图像簇中的每幅图像进行特征提取；生成单元402可以用于基于提取出的特征生成目标图像簇对应的特征协方差矩阵；评价单元403可以用于将特征协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息；其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出。

在本实施例中，提取单元401可以获取对图像聚类得到的图像簇，并采用图像特征提取方法提取指定的目标图像簇中每一幅图像的特征。该目标图像簇可以是聚类得到的多个图像簇中的任意一个。

在提取单元401提取出每幅图像的特征之后，生成单元402可以基于目标图像簇中所有图像的特征构建目标图像簇对应的特征矩阵，具体可以将目标图像簇中各幅图像的特征以向量或矩阵表示，并将各幅图像的特征组合为该目标图像的特征矩阵，然后可以计算特征矩阵的协方差矩阵，即得到特征协方差矩阵。

可以利用评价单元403将生成单元402生成的特征协方差矩阵输入已训练的聚类结果评价模型进行评价，得到目标图像簇的聚类结果的评价信息。

在一些实施例中，上述聚类结果评价模型可以是按照如下方式训练得出的：获取多个样本图像簇和各样本图像簇的聚类结果评价信息的标记结果；对各样本图像簇进行特征提取；基于提取出的特征生成各样本图像簇的样本特征协方差矩阵；采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到聚类结果评价模型，其中，预设的损失函数基于样本图像簇的聚类结果评价信息的标记结果与聚类结果评价模型对应的神经网络输出的样本图像簇的聚类结果的评价信息的预测结果之间的差异构建。

在进一步的实施例中，上述聚类结果评价模型可以是采用深度学习方法，将样本特征协方差矩阵作为聚类结果评价模型对应的神经网络的输入，基于样本图像簇的聚类结果评价信息的标记结果和预设的损失函数，进一步按照如下方式训练得到的：确定聚类结果评价模型对应的神经网络的参数的初始值，执行比对步骤；比对步骤包括：将样本特征协方差矩阵输入聚类结果评价模型对应的神经网络，得到对应的样本图像簇的聚类结果评价信息的预测结果，判断损失函数的值是否满足预设的收敛条件；若比对步骤的判断结果为否，基于损失函数，采用梯度下降法更新聚类结果评价模型对应的神经网络对应的参数，并执行上述比对步骤；若比对步骤的判断结果为是，输出聚类结果评价模型对应的神经网络的参数。

在一些实施例中，上述提取单元可以进一步用于按照如下方式对聚类得到的目标图像簇中的每幅图像进行特征提取：采用卷积神经网络对目标图像簇中的每幅图像进行特征提取，得到目标图像簇中每幅图像的特征图集合；上述生成单元可以进一步按照如下方式生成目标图像簇对应的特征协方差矩阵：基于目标图像簇中的每幅图像的特征图集合构建目标图像簇的特征矩阵；计算目标图像簇的特征矩阵的协方差矩阵。

在一些实施例中，上述装置400还可以包括：处理单元，用于根据目标图像簇的聚类结果评价信息保留或/删除目标图像簇。

应当理解，装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元，在此不再赘述。

本申请上述实施例的图像聚类结果评价装置400，通过提取单元对聚类得到的目标图像簇中的每幅图像进行特征提取，然后生成单元基于提取出的特征生成目标图像簇对应的特征协方差矩阵；之后评价单元将协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息，其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出，实现了可靠的图像聚类效果的评估。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子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)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)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、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)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)、液晶显示器(LCD)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。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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：一种处理器包括提取单元、生成单元和评价单元。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，提取单元还可以被描述为“对聚类得到的目标图像簇中的每幅图像进行特征提取的单元”。

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：对聚类得到的目标图像簇中的每幅图像进行特征提取；基于提取出的特征生成目标图像簇对应的特征协方差矩阵；将协方差矩阵输入聚类结果评价模型中，得到目标图像簇的聚类结果评价信息；其中，聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出。

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

1.一种图像聚类结果评价方法，包括：

对聚类得到的目标图像簇中的每幅图像进行特征提取；

基于提取出的特征生成所述目标图像簇对应的特征协方差矩阵；

将所述特征协方差矩阵输入聚类结果评价模型中，得到所述目标图像簇的聚类结果评价信息；

其中，所述聚类结果评价模型基于已标记聚类结果评价信息的样本图像簇训练得出。

2.根据权利要求1所述的方法，其中，所述聚类结果评价模型是按照如下方式训练得出的：

获取多个样本图像簇和各样本图像簇的聚类结果评价信息的标记结果；

对各所述样本图像簇进行特征提取；

基于提取出的特征生成各样本图像簇的样本特征协方差矩阵；

采用深度学习方法，将所述样本特征协方差矩阵作为所述聚类结果评价模型对应的神经网络的输入，基于所述样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到所述聚类结果评价模型，其中，所述预设的损失函数基于所述样本图像簇的聚类结果评价信息的标记结果与所述聚类结果评价模型对应的神经网络输出的所述样本图像簇的聚类结果的评价信息的预测结果之间的差异构建。

3.根据权利要求2所述的方法，其中，所述采用深度学习方法，将所述样本特征协方差矩阵作为所述聚类结果评价模型对应的神经网络的输入，基于所述样本图像簇的聚类结果评价信息的标记结果和预设的损失函数训练得到所述聚类结果评价模型，包括：

确定所述聚类结果评价模型对应的神经网络的参数的初始值，执行比对步骤；

所述比对步骤包括：将所述样本特征协方差矩阵输入所述聚类结果评价模型对应的神经网络，得到对应的样本图像簇的聚类结果评价信息的预测结果，判断所述损失函数的值是否满足预设的收敛条件；

若所述比对步骤的判断结果为否，基于所述损失函数，采用梯度下降法更新所述聚类结果评价模型对应的神经网络对应的参数，并执行所述比对步骤；

若所述比对步骤的判断结果为是，输出所述聚类结果评价模型对应的神经网络的参数。

4.根据权利要求1所述的方法，其中，所述对聚类得到的目标图像簇中的每幅图像进行特征提取，包括：

采用卷积神经网络对所述目标图像簇中的每幅图像进行特征提取，得到所述目标图像簇中每幅图像的特征图集合；

所述基于提取出的特征生成所述目标图像簇对应的特征协方差矩阵，包括：

基于所述目标图像簇中的每幅图像的特征图集合构建所述目标图像簇的特征矩阵；

计算所述目标图像簇的特征矩阵的协方差矩阵。

5.根据权利要求1-4任一项所述的方法，其中，所述方法还包括：

根据所述目标图像簇的聚类结果评价信息保留或/删除所述目标图像簇。

6.一种图像聚类结果评价装置，包括：

提取单元，用于对聚类得到的目标图像簇中的每幅图像进行特征提取；

生成单元，用于基于提取出的特征生成所述目标图像簇对应的特征协方差矩阵；

评价单元，用于将所述特征协方差矩阵输入聚类结果评价模型中，得到所述目标图像簇的聚类结果评价信息；

7.根据权利要求6所述的装置，其中，所述聚类结果评价模型是按照如下方式训练得出的：

对各所述样本图像簇进行特征提取；

8.根据权利要求7所述的装置，其中，所述聚类结果评价模型是采用深度学习方法，将所述样本特征协方差矩阵作为所述聚类结果评价模型对应的神经网络的输入，基于所述样本图像簇的聚类结果评价信息的标记结果和预设的损失函数，进一步按照如下方式训练得到的：

9.根据权利要求6所述的装置，其中，所述提取单元进一步用于按照如下方式对聚类得到的目标图像簇中的每幅图像进行特征提取：

上述生成单元进一步用于按照如下方式生成所述目标图像簇对应的特征协方差矩阵：

计算所述目标图像簇的特征矩阵的协方差矩阵。

10.根据权利要求6-9任一项所述的装置，其中，所述装置还包括：

处理单元，用于根据所述目标图像簇的聚类结果评价信息保留或/删除所述目标图像簇。

11.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。