CN110472675A - 图像分类方法、图像分类装置、存储介质与电子设备 - Google Patents

Abstract

本公开提供了一种图像分类方法、图像分类装置、存储介质与电子设备，涉及人工智能技术领域。该方法包括：利用预先训练的图像分类网络提取待处理图像的中间特征；分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，所述各类别为所述图像分类网络关联的各图像分类类别；将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果；其中，所述分类结果包括：确定所述待处理图像属于所述各类别中的目标类别，或者确定所述待处理图像不属于所述各类别。本公开可以提高图像分类的准确度，特别是降低针对类外图像的误分类情况。

Description

图像分类方法、图像分类装置、存储介质与电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及一种图像分类方法、图像分类装置、计算机可读存储介质与电子设备。

背景技术

随着深度学习技术的发展，以及类似于ImageNet(用于计算机视觉的大型图像数据库)这样大规模数据集的应用，图像分类及识别已经达到较高的准确率。但是，将图像分类算法应用到实际生活的场景中(开集)，通常会出现一些图像，其不属于训练集内的任何类别，这些图像称为类外图像；在开集场景的图像分类中，类外图像可能被误分类到训练集内的类别中，影响分类的准确度。

现有技术中，通过调整图像分类的概率阈值，将置信度较低的图像过滤掉，一定程度上可以减少类外图像误分类的情况。然而，在该方法中，经常难以确定合适的阈值：若阈值过低，则过滤能力有限，若阈值过高，则可能过滤掉类别正确的图像；并且，由于不同类别的识别难易程度不同，对于不同类别应该针对性地采用不同的阈值，从而增加了算法的复杂度。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种图像分类方法、图像分类装置、计算机可读存储介质与电子设备，进而至少在一定程度上改善现有技术中存在的类外图像误分类的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种图像分类方法，包括：利用预先训练的图像分类网络提取待处理图像的中间特征；分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，所述各类别为所述图像分类网络关联的各图像分类类别；将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果；其中，所述分类结果包括：确定所述待处理图像属于所述各类别中的目标类别，或者确定所述待处理图像不属于所述各类别。

可选的，所述各类别的基准特征通过以下方式获得：获取多个样本图像和每个所述样本图像的分类标签；利用所述图像分类网络处理所述样本图像，得到所述样本图像的中间特征和分类结果；对比每个所述样本图像的分类结果和分类标签，选取所述各类别下正确分类的样本图像；对每个类别下正确分类的样本图像的中间特征求平均，得到每个类别的基准特征。

可选的，所述各类别的相似度概率分布通过以下方式获得：计算每个类别下正确分类的样本图像的中间特征与该类别的基准特征之间的相似度，对每个类别的相似度分布进行概率分布拟合，得到每个类别的相似度概率分布。

可选的，所述概率分布拟合采用威布尔拟合。

可选的，所述将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果，包括：将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像与所述各类别的匹配概率；如果所述匹配概率中至少一个达到预设阈值，则根据达到所述预设阈值的匹配概率确定所述待处理图像所属的目标类别；如果所述匹配概率均未达到所述预设阈值，则确定所述待处理图像不属于所述各类别。

可选的，所述方法还包括：利用所述图像分类网络输出所述待处理图像属于所述各类别的概率，以确定一个或多个候选类别；所述分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，包括：分别确定所述待处理图像的中间特征与各候选类别的基准特征之间的相似度；所述将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，包括：将所述待处理图像的中间特征与各候选类别的基准特征之间的相似度，分别和所述各候选类别的相似度概率分布进行匹配。

可选的，所述利用预先训练的图像分类网络提取待处理图像的中间特征，包括：将所述待处理图像输入所述图像分类网络，通过所述图像分类网络的最后一个隐藏层输出所述待处理图像的中间特征；所述图像分类网络中，所述最后一个隐藏层位于Softmax(归一化指数函数)层之前。

根据本公开的第二方面，提供一种图像分类装置，包括：提取模块，用于利用预先训练的图像分类网络提取待处理图像的中间特征；确定模块，用于分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，所述各类别为所述图像分类网络关联的各图像分类类别；匹配模块，用于将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果；其中，所述分类结果包括：确定所述待处理图像属于所述各类别中的目标类别，或者确定所述待处理图像不属于所述各类别。

可选的，所述图像分类装置还包括配置模块，用于配置并获得所述各类别的基准特征；其中，所述配置模块包括：样本获取单元，用于获取多个样本图像和每个所述样本图像的分类标签；样本处理单元，用于利用所述图像分类网络处理所述样本图像，得到所述样本图像的中间特征和分类结果；样本选取单元，用于对比每个所述样本图像的分类结果和分类标签，选取所述各类别下正确分类的样本图像；基准确定单元，用于对每个类别下正确分类的样本图像的中间特征求平均，得到每个类别的基准特征。

可选的，所述配置模块，还用于计算每个类别下正确分类的样本图像的中间特征与该类别的基准特征之间的相似度，对每个类别的相似度分布进行概率分布拟合，得到每个类别的相似度概率分布。

可选的，所述概率分布拟合采用威布尔拟合。

可选的，所述匹配模块，用于将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像与所述各类别的匹配概率，如果所述匹配概率中至少一个达到预设阈值，则根据达到所述预设阈值的匹配概率确定所述待处理图像所属的目标类别，如果所述匹配概率均未达到所述预设阈值，则确定所述待处理图像不属于所述各类别。

可选的，所述确定模块，用于利用所述图像分类网络输出所述待处理图像属于所述各类别的概率，以确定一个或多个候选类别，以及分别确定所述待处理图像的中间特征与各候选类别的基准特征之间的相似度；所述匹配模块，用于将所述待处理图像的中间特征与各候选类别的基准特征之间的相似度，分别和所述各候选类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果。

可选的，所述提取模块，用于将所述待处理图像输入所述图像分类网络，通过所述图像分类网络的最后一个隐藏层输出所述待处理图像的中间特征；所述图像分类网络中，所述最后一个隐藏层位于Softmax层之前。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种图像分类方法。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种图像分类方法。

本公开的技术方案具有以下有益效果：

利用预先训练的图像分类网络提取待处理图像的中间特征，再与各类别的基准特征计算相似度，并和各类别的相似度概率分布进行匹配，以得到待处理图像的分类结果。一方面，通过计算中间特征和基准特征的相似度，以及概率分布匹配的方式，可以在图像分类网络的基础上，进一步提高分类的准确度。另一方面，通过引入待处理图像不属于各类别的分类结果，能够有效地识别类外图像，降低针对类外图像的误分类情况。再一方面，相似度概率分布是基于大量图像的特征学习与统计而得到的，通过相似度概率分布确定图像分类的标准，相比于人为调整图像分类网络的阈值，更加合理，且算法复杂度更低。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施方式，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本示例性实施方式中一种图像分类方法的流程图；

图2示出本示例性实施方式中一种图像分类方法的子流程图；

图3示出本示例性实施方式中另一种图像分类方法的子流程图；

图4示出本示例性实施方式中图像分类的示意图；

图5示出本示例性实施方式中另一种图像分类方法的流程图；

图6示出本示例性实施方式中一种图像分类装置的结构框图；

图7示出本示例性实施方式中一种用于实现上述方法的计算机可读存储介质；

图8示出本示例性实施方式中一种用于实现上述方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本公开的示例性实施方式首先提供了一种图像分类方法。图1示出了该方法的一种流程，可以包括以下步骤S110～S130：

步骤S110，利用预先训练的图像分类网络提取待处理图像的中间特征。

其中，图像分类网络可以是常规使用的用于图像分类或图像识别的神经网络，例如一般的卷积神经网络，MobileNet(适用于移动端的卷积神经网络)等。可以预先获取一定的训练集(如ImageNet)，包括样本图像及其分类标签，通过训练集训练初始的图像分类网络，迭代调整网络中的参数，直到在训练集上达到一定的准确率，则训练完成。

基于训练完成后的图像分类网络执行步骤S110的处理，本示例性实施方式中，若利用图像分类网络直接输出待处理图像的分类结果，对于类外图像的分类结果可能不准确，鉴于此，利用图像分类网络对待处理图像进行中间特征的提取，中间特征可以是图像分类网络对待处理图像进行处理的任意一个中间阶段所得到的特征，即图像分类网络的任意一个隐藏层所输出的特征，例如：将待处理图像输入图像分类网络，通过图像分类网络的最后一个隐藏层输出待处理图像的中间特征，最后一个隐藏层是指Softmax层的前一层，可以是全连接层，即中间特征可以是Logits特征，其携带了较为丰富的图像信息，并且和图像分类的类别具有一定的相关性，有利于后续分析；也可以将倒数第二个隐藏层或者整个网络的第一全连接层输出的特征作为中间特征等；将输出中间特征的隐藏层成为特征隐藏层，本公开对于特征隐藏层的具体类型以及具体位置等不做特别限定。由此，中间特征可以是向量、矩阵等各种形式。

在一种可选的实施方式中，在图像分类网络训练完成后，可以截取其中从输入层到输出中间特征的隐藏层的部分，形成一个子网络。在步骤S110中，可以仅使用该子网络，将待处理图像输入该子网络，输出中间特征。相比于完整的图像分类网络，子网络的处理过程更短，速率更快。

步骤S120，分别确定待处理图像的中间特征与各类别的基准特征之间的相似度。

其中，上述各类别是指图像分类网络所关联的各图像分类类别，可以是图像分类网络的输出对应的类别。在设计图像分类网络时，通常会根据训练集中图像分类的标签类别确定图像分类网络所输出的向量维度，例如训练集包括n个类别的标签，则图像分类网络可以输出n维向量，每个维度对应一个类别的概率，这n个类别即步骤S120中所述的各类别。

本示例性实施方式中，可以为每个类别预先确定基准特征，基准特征是图像中间特征的基准值，例如：将每个类别下最具有代表性的图像，如图像分类网络输出概率值最高的图像，按照步骤S110的方式提取中间特征，作为该类别的基准特征。

在一种可选的实施方式中，参考图2所示，各类别的基准特征可以通过步骤S210～S240获得：

步骤S210，获取多个样本图像和每个样本图像的分类标签；

步骤S220，利用图像分类网络处理样本图像，得到样本图像的中间特征和分类结果；

步骤S230，对比每个样本图像的分类结果和分类标签，选取各类别下正确分类的样本图像；

步骤S240，对每个类别下正确分类的样本图像的中间特征求平均，得到每个类别的基准特征。

其中，样本图像是训练图像分类网络时所用的训练集中的图像。需要说明的是，图2所示的步骤并非训练的过程，是在训练完成后执行的过程。将样本图像输入已经训练完成的图像分类网络，采用与步骤S110相同的特征隐藏层输出中间特征，通过输出层输出分类结果，即截取两个部分的输出数据，可以保存在JSON(JavaScript Object Notation，JS对象简谱)文件中。由于图像分类网络的准确率无法达到100％(通常为了防止过拟合，也不会设置训练目标为100％准确率)，样本图像的分类结果和分类标签可能不一致，不一致说明未正确分类。本示例性实施方式中，选取各类别下分类结果和分类标签一致的样本图像，即正确分类的样本图像，形成每个类别的样本图像集合，对每个集合内样本图像的中间特征求平均，作为对应类别的基准特征。可见，每个类别的基准特征是对该类别中样本图像进行统计计算而得到的，具有较高的代表性，有利于实现准确的图像分类。

以中间特征为中间特征向量为例，在求平均时，可以对样本图像的中间特征向量进行算术平均或加权平均计算，若采用加权平均，可以将样本图像的分类结果中的概率值作为权重，例如：选取类别A中分类正确的样本图像，这些样本图像的分类结果中包括其属于类别A的概率值，以该概率值为权重，对这些样本图像的中间特征向量做加权平均计算，得到类别A的基准特征向量。

由上可知，待处理图像的中间特征和各类别的基准特征，是格式相同的数据，例如是维度相同的向量等，可以采用欧式距离、曼哈顿距离、余弦相似度等各种算法，计算待处理图像的中间特征和各类别的基准特征之间的相似度。

步骤S130，将待处理图像的中间特征与各类别的基准特征之间的相似度，分别和预先确定的各类别的相似度概率分布进行匹配，得到待处理图像的分类结果。

本示例性实施方式中，在每个类别下，将图像的中间特征与该类别基准特征之间的相似度作为度量图像是否属于该类别的一种方式，通过统计大量数据得到相似度与匹配概率之间的关系，通常呈现为概率分布的形式，即该类别的相似度概率分布。

在一种可选的实施方式中，基于图2所示的确定基准特征的方式，可以进一步通过以下方式获得各类别的相似度概率分布：

计算每个类别下正确分类的样本图像的中间特征与该类别的基准特征之间的相似度，对每个类别的相似度分布进行概率分布拟合，得到每个类别的相似度概率分布。

换而言之，在每个类别下，计算正确分类的样本图像的中间特征与基准特征之间的相似度，得到相似度的数据集，然后统计相似度的分布情况，以相似度作为自变量，以样本图像的分布密度作为因变量，通过一定的概率密度函数进行拟合，可以得到相似度概率分布。图2中采用中间特征求平均的方式确定基准特征，通常与基准特征相似度较高的样本图像数量较多，因此可以采用威布尔拟合进行概率分布拟合，得到符合威布尔分布的相似度概率分布曲线；若采用各类别中图像分类网络输出概率值最高的图像，将其中间特征作为基准特征，则相似度分布可能接近于正态分布，采用正态分布进行拟合，得到相似度概率分布。本公开对于概率分布拟合的具体方式不做限定。

由上可知，在相似度概率分布中，实际是以样本图像的分布密度等效为概率密度，基于此，待处理图像的中间特征与类别A基准特征的相似度越高，则待处理图像属于类别A的概率越高。由此可以对待处理图像进行分类。本示例性实施方式中，待处理图像的分类结果可以包括：确定待处理图像属于上述各类别中的目标类别，或者确定待处理图像不属于上述各类别。举例而言，若图像分类网络可以将图像分类到n个类别中，则步骤S130的分类结果为n+1类，其中还包括了不属于n个类别这一类结果，即确定待处理图像为类外图像。

在一种可选的实施方式中，参考图3所示，步骤S130可以具体通过步骤S310～S330实现：

步骤S310，将待处理图像的中间特征与各类别的基准特征之间的相似度，分别和预先确定的各类别的相似度概率分布进行匹配，得到待处理图像与各类别的匹配概率；

步骤S320，如果上述匹配概率中至少一个达到预设阈值，则根据达到预设阈值的匹配概率确定待处理图像所属的目标类别；

步骤S330，如果上述匹配概率均未达到预设阈值，则确定待处理图像不属于上述各类别。

举例说明，计算出待处理图像的中间特征与类别A基准特征之间的相似度后，映射到类别A的相似度概率分布曲线中，确定对应的概率值，即待处理图像与类别A的匹配概率；利用同样的方法，可以分别确定待处理图像和每个类别的匹配概率。然后将匹配概率和预设阈值进行比较，其中预设阈值是根据经验以及实际需求而预先确定的衡量标准，衡量匹配概率是否满足分类的标准。若待处理图像和类别A的匹配概率达到预设阈值，则确定待处理图像属于类别A；类似地，若待处理图像和类别B、C的匹配概率达到预设阈值，则确定待处理图像属于类别B、C；当然也可以选取其中最高的匹配概率确定目标类别，如待处理图像和类别A、B、C的匹配概率均达到预设阈值，但是与类别A的匹配概率最高，则确定待处理图像属于类别A，不属于类别B或C；具体采用哪种方式，和图像分类的应用场景有关，本公开对此不做限定。如果待处理图像和各类别的匹配概率均未达到预设阈值，则确定待处理图像不属于上述各类别，即类外图像。

在一种可选的实施方式中，预设阈值可以是0，其对应的相似度可以是：在相似度概率分布曲线中拟合概率为0的点所对应的相似度，可称为相似度阈值。举例说明，若待处理图像的中间特征和类别A基准特征的相似度为T1，若T1不小于类别A的相似度阈值T0，表示待处理图像和类别A的匹配概率大于0，满足步骤S320的条件。

图4示出了本示例性实施方式中图像分类的示意图，将待处理图像输入预先训练的卷积神经网络(CNN)，提取出待处理图像的中间特征，然后与n个类别的基准特征计算相似度，并和n个类别的相似度威布尔分布进行匹配，以确定待处理图像属于n个类别中的哪个类别，或者不属于n个类别中的任一类别，即待处理图像为类外图像。

综上所述，本示例性实施方式中，利用预先训练的图像分类网络提取待处理图像的中间特征，再与各类别的基准特征计算相似度，并和各类别的相似度概率分布进行匹配，以得到待处理图像的分类结果。一方面，通过计算中间特征和基准特征的相似度，以及概率分布匹配的方式，可以在图像分类网络的基础上，进一步提高分类的准确度。另一方面，通过引入待处理图像不属于各类别的分类结果，能够有效地识别类外图像，降低针对类外图像的误分类情况。再一方面，相似度概率分布是基于大量图像的特征学习与统计而得到的，通过相似度概率分布确定图像分类的标准，相比于人为调整图像分类网络的阈值，更加合理，且算法复杂度更低。

本公开的示例性实施方式还提供了另一种图像分类方法的流程，如图5所示，可以包括以下步骤S510～S540：

步骤S510，利用图像分类网络提取待处理图像的中间特征；

步骤S520，利用图像分类网络输出待处理图像属于各类别的概率，以确定一个或多个候选类别；

步骤S530，分别确定待处理图像的中间特征与各候选类别的基准特征之间的相似度；

步骤S540，将待处理图像的中间特征与各候选类别的基准特征之间的相似度，分别和各候选类别的相似度概率分布进行匹配，得到待处理图像的分类结果。

与图1的方法流程相比，图5主要增加了确定候选类别的步骤。图像分类网络可以输出待处理图像的分类结果，通常是由各类别的概率组成的向量，据此可以确定待处理图像有可能属于哪个或哪些类别，此处将图像分类网络输出的分类结果作为一个参考。可以通过以下几种方式确定候选类别：将概率最高值对应的类别作为候选类别；将待处理图像属于各类别的概率从高到底排序，选取其中最高的m个(m可以根据经验确定)概率对应的类别为候选类别；将概率达到一定值(如50％、60％等，可根据经验设定)所对应的类别作为候选类别。在确定候选类别后，将待处理图像和候选类别的基准特征进行相似度计算，以及相似度概率分布的匹配，而无需对所有类别进行计算，从而进一步降低了算法的复杂度。在步骤S520确定候选类别时，实际已经确定了待处理图像不属于候选类别以外的类别，因此，步骤S540得到的分类结果包括：待处理图像属于候选类别中的某一类别，或者待处理图像不属于任一类别，即待处理图像为类外图像。

本公开的示例性实施方式还提供了一种图像分类装置，如图6所示，该图像分类装置600可以包括：提取模块610，用于利用预先训练的图像分类网络提取待处理图像的中间特征；确定模块620，用于分别确定待处理图像的中间特征与各类别的基准特征之间的相似度，各类别为图像分类网络关联的各图像分类类别；匹配模块630，用于将待处理图像的中间特征与各类别的基准特征之间的相似度，和预先确定的各类别的相似度概率分布进行匹配，得到待处理图像的分类结果；其中，分类结果可以包括：确定待处理图像属于各类别中的目标类别，或者确定待处理图像不属于各类别。

在一种可选的实施方式中，图像分类装置600还可以包括配置模块，用于配置并获得各类别的基准特征；其中，该配置模块可以包括：样本获取单元，用于获取多个样本图像和每个样本图像的分类标签；样本处理单元，用于利用图像分类网络处理样本图像，得到样本图像的中间特征和分类结果；样本选取单元，用于对比每个样本图像的分类结果和分类标签，选取各类别下正确分类的样本图像；基准确定单元，用于对每个类别下正确分类的样本图像的中间特征求平均，得到每个类别的基准特征。

在一种可选的实施方式中，上述配置模块，还可以用于计算每个类别下正确分类的样本图像的中间特征与该类别的基准特征之间的相似度，对每个类别的相似度分布进行概率分布拟合，得到每个类别的相似度概率分布。

在一种可选的实施方式中，上述概率分布拟合可以采用威布尔拟合。

在一种可选的实施方式中，匹配模块630，可以用于将待处理图像的中间特征与各类别的基准特征之间的相似度，分别和预先确定的各类别的相似度概率分布进行匹配，得到待处理图像与各类别的匹配概率，如果匹配概率中至少一个达到预设阈值，则根据达到预设阈值的匹配概率确定待处理图像所属的目标类别，如果匹配概率均未达到预设阈值，则确定待处理图像不属于各类别。

在一种可选的实施方式中，确定模块620，可以用于利用图像分类网络输出待处理图像属于各类别的概率，以确定一个或多个候选类别，以及分别确定待处理图像的中间特征与各候选类别的基准特征之间的相似度；相应的，匹配模块630，可以用于将待处理图像的中间特征与各候选类别的基准特征之间的相似度，分别和各候选类别的相似度概率分布进行匹配，得到待处理图像的分类结果。

在一种可选的实施方式中，提取模块610，可以用于将待处理图像输入图像分类网络，通过图像分类网络的最后一个隐藏层输出待处理图像的中间特征。其中，在图像分类网络中，上述最后一个隐藏层位于Softmax层之前。

上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、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的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本公开的示例性实施方式还提供了一种能够实现上述方法的电子设备。下面参照图8来描述根据本公开的这种示例性实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。

如图8所示，电子设备800可以以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830和显示单元840。

存储单元820存储有程序代码，程序代码可以被处理单元810执行，使得处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元810可以执行图1、图2、图3或图5所示的方法步骤等。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)821和/或高速缓存存储单元822，还可以进一步包括只读存储单元(ROM)823。

存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824，这样的程序模块825包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。

此外，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种图像分类方法，其特征在于，包括：

利用预先训练的图像分类网络提取待处理图像的中间特征；

分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，所述各类别为所述图像分类网络关联的各图像分类类别；

将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果；

其中，所述分类结果包括：确定所述待处理图像属于所述各类别中的目标类别，或者确定所述待处理图像不属于所述各类别。

2.根据权利要求1所述的方法，其特征在于，所述各类别的基准特征通过以下方式获得：

获取多个样本图像和每个所述样本图像的分类标签；

利用所述图像分类网络处理所述样本图像，得到所述样本图像的中间特征和分类结果；

对比每个所述样本图像的分类结果和分类标签，选取所述各类别下正确分类的样本图像；

对每个类别下正确分类的样本图像的中间特征求平均，得到每个类别的基准特征。

3.根据权利要求2所述的方法，其特征在于，所述各类别的相似度概率分布通过以下方式获得：

计算每个类别下正确分类的样本图像的中间特征与该类别的基准特征之间的相似度，对每个类别的相似度分布进行概率分布拟合，得到每个类别的相似度概率分布。

4.根据权利要求3所述的方法，其特征在于，所述概率分布拟合采用威布尔拟合。

5.根据权利要求1所述的方法，其特征在于，所述将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果，包括：

将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像与所述各类别的匹配概率；

如果所述匹配概率中至少一个达到预设阈值，则根据达到所述预设阈值的匹配概率确定所述待处理图像所属的目标类别；

如果所述匹配概率均未达到所述预设阈值，则确定所述待处理图像不属于所述各类别。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述图像分类网络输出所述待处理图像属于所述各类别的概率，以确定一个或多个候选类别；

所述分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，包括：

分别确定所述待处理图像的中间特征与各候选类别的基准特征之间的相似度；

所述将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，分别和预先确定的所述各类别的相似度概率分布进行匹配，包括：

将所述待处理图像的中间特征与各候选类别的基准特征之间的相似度，分别和所述各候选类别的相似度概率分布进行匹配。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述利用预先训练的图像分类网络提取待处理图像的中间特征，包括：

将所述待处理图像输入所述图像分类网络，通过所述图像分类网络的最后一个隐藏层输出所述待处理图像的中间特征；

所述图像分类网络中，所述最后一个隐藏层位于Softmax层之前。

8.一种图像分类装置，其特征在于，包括：

提取模块，用于利用预先训练的图像分类网络提取待处理图像的中间特征；

确定模块，用于分别确定所述待处理图像的中间特征与各类别的基准特征之间的相似度，所述各类别为所述图像分类网络关联的各图像分类类别；

匹配模块，用于将所述待处理图像的中间特征与所述各类别的基准特征之间的相似度，和预先确定的所述各类别的相似度概率分布进行匹配，得到所述待处理图像的分类结果；

其中，所述分类结果包括：确定所述待处理图像属于所述各类别中的目标类别，或者确定所述待处理图像不属于所述各类别。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。