CN110738258A - 图像分类方法、装置及终端设备 - Google Patents
图像分类方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110738258A CN110738258A CN201910981903.5A CN201910981903A CN110738258A CN 110738258 A CN110738258 A CN 110738258A CN 201910981903 A CN201910981903 A CN 201910981903A CN 110738258 A CN110738258 A CN 110738258A
- Authority
- CN
- China
- Prior art keywords
- classification
- dimension
- features
- threshold
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于图像分类技术领域,提供了图像分类方法、装置及终端设备,所述方法包括:对待分类图像进行标识,得到所述待分类图像对应的预分类类别;提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值。通过上述方法使得调整后的分类结果更准确。
Description
技术领域
本申请属于图像分类技术领域,尤其涉及图像分类方法、装置、终端设备及计算机可读存储介质。
背景技术
目前,网络上的图像很多,而对图像进行分类后,能够实现对图像更好的管理。
在现有的深度学习图像分类方法中,往往是由算法开发人员凭借自己的主观感受或者目标名称,来设定分类类别,然后根据设定的分类类别对图像进行标记,再选择分类网络,最后根据标记的图像对选择的分类网络进行训练、测试,以实现算法的开发。
但若碰到容易混淆的目标,这种基于人的主观感受或目标名称来界定分类类别的方法往往并不奏效,很多图像能够归属在不同分类类别的差异用肉眼区分是模棱两可的,因此,凭借人的主观意识很难进行清晰的类别界定。
故,需要提供一种新的方法,以解决上述技术问题。
发明内容
本申请实施例提供了图像分类方法、装置及终端设备,可以解决凭借人的主观意识难以清晰界定分类类别的问题。
第一方面,本申请实施例提供了一种图像分类方法,包括:
对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
第二方面,本申请实施例提供了一种图像分类装置,包括:
预分类单元,用于对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
特征提取单元,用于提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
特征降维单元,用于对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
预分类调整单元,用于若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
由于计算距离的两个特征是从高维降到低维得到,因此,使得用于计算的两个特征能够保留更多的信息,从而保证计算的特征之间的距离更准确,进而使得依据该距离对得到的预分类类别进行调整得到的调整结果更准确,即由于对预分类类别进行了调整,而调整是依据不受用户主观感受不同而改变的距离,因此使得调整后的分类结果更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供的一种图像分类方法所适用于的手机的结构示意图;
图2是本申请一实施例提供的一种图像分类方法的流程示意图;
图3是本申请一实施例提供的一种图像分类装置的结构示意图;
图4是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的图像分类方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
以所述终端设备为手机为例。图1示出的是与本申请实施例提供的手机的部分结构的框图。参考图1,手机包括:射频(Radio Frequency,RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、无线保真(wireless fidelity,WiFi)模块170、处理器180、以及电源190等部件。本领域技术人员可以理解,图1中示出的手机结构并不构成对手机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对手机的各个构成部件进行具体的介绍:
RF电路110可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器180处理;另外,将设计上行的数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication,GSM)、通用分组无线服务(General Packet RadioService,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE))、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器120可用于存储软件程序以及模块,处理器180通过运行存储在存储器120的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元130可用于接收输入的数字或字符信息,以及产生与手机100的用户设置以及功能控制有关的键信号输入。具体地,输入单元130可包括触控面板131以及其他输入设备132。触控面板131,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板131可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器180,并能接收处理器180发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板131。除了触控面板131,输入单元130还可以包括其他输入设备132。具体地,其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元140可包括显示面板141,可选的,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板141。进一步的,触控面板131可覆盖显示面板141,当触控面板131检测到在其上或附近的触摸操作后,传送给处理器180以确定触摸事件的类型,随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图1中,触控面板131与显示面板141是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板131与显示面板141集成而实现手机的输入和输出功能。
手机100还可包括至少一种传感器150,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板141的亮度,接近传感器可在手机移动到耳边时,关闭显示面板141和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路160、扬声器161,传声器162可提供用户与手机之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号,传输到扬声器161,由扬声器161转换为声音信号输出;另一方面,传声器162将收集的声音信号转换为电信号,由音频电路160接收后转换为音频数据,再将音频数据输出处理器180处理后,经RF电路110以发送给比如另一手机,或者将音频数据输出至存储器120以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块170,但是可以理解的是,其并不属于手机100的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器180是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器120内的软件程序和/或模块,以及调用存储在存储器120内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器180可包括一个或多个处理单元;优选的,处理器180可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器180中。
手机100还包括给各个部件供电的电源190(比如电池),优选的,电源可以通过电源管理系统与处理器180逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出,手机100还可以包括摄像头。可选地,摄像头在手机100的上的位置可以为前置的,也可以为后置的,本申请实施例对此不作限定。
可选地,手机100可以包括单摄像头、双摄像头或三摄像头等,本申请实施例对此不作限定。
例如,手机100可以包括三摄像头,其中,一个为主摄像头、一个为广角摄像头、一个为长焦摄像头。
可选地,当手机100包括多个摄像头时,这多个摄像头可以全部前置,或者全部后置,或者一部分前置、另一部分后置,本申请实施例对此不作限定。
另外,尽管未示出,手机100还可以包括蓝牙模块等,在此不再赘述。
以下实施例将以手机100为例,对本申请实施例提供的图像分类方法进行说明。
图2示出了本申请提供的图像分类方法的示意性流程图,作为示例而非限定,该方法可以应用于上述手机100中。
步骤S21,对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
其中,待分类图像的数量大于1,预分类类别的个数大于或等于1。
该步骤中,可根据待分类图像的名称对待分类图像进行标识。比如,假设待分类图像中存在4张图像的名称包含“狗”,则将这4张图像归入同一个预分类类别中。
该步骤中,也可根据待分类图像的存放位置对待分类图像进行标识。比如,假设待分类图像中有2张图像是存放在位置A,有1张图像是存放在位置B,则将存放在位置A的2张图像归类在预分类类别X中,将存放在位置B的1张图像归类在预分类类别Y中。
步骤S22,提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
该步骤中,分别提取各个预分类类别中的各个待分类图像的特征。
其中,为了尽量保留待分类图像中的信息,则设定第一维数阈值大于或等于20,优选地,设定第一维数阈值等于1000。
步骤S23,对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
该步骤中,在对提取的特征执行降维操作的过程中,需要保留信息量最大的维数,这样,不仅能够采用保留的特征维数对待分类图像进行更准确地描述,也能极大减少后续分类过程的工作量。
步骤S24,若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
该步骤中,可通过合并至少2个预分类类别或将1个预分类类别进行拆分,以实现对预分类类别的调整。需要指出的是,若两个降维后的特征位于同一预设分类类别,则所述满足分类要求的特征数量比例是指所述同一预设分类类别中满足分类要求的特征数量比例;若两个降维后的特征分别位于两个预设分类类别,则所述满足分类要求的特征数量比例是指所述两个预设分类类别中的任一预设分类类别中满足分类要求的特征数量比例。
其中,预设的数量比例阈值大于50%,通常设为60%。例如,假设在预分类类别M中包括特征M1、特征M2、特征M3,若特征M1与特征M2之间的距离小于预设的距离阈值,特征M1与特征M3之间的距离小于预设的距离阈值,特征M2与特征M3之间的距离大于预设的距离阈值,由于特征M1和特征M2满足分类要求,满足分类要求的特征数量比例是2/3=67%,而67%大于60%,因此,特征M1、特征M2、特征M3位于同一预分类类别M是满足分类要求的。假设在预分类类别N中包括特征N1、特征N2,若特征M1与特征N1的距离小于预设的距离阈值,特征M1与特征N2的距离小于预设的距离阈值,特征M2与特征N1的距离小于预设的距离阈值,特征M2与特征N2的距离小于预设的距离阈值,特征M3与特征N1的距离大于预设的距离阈值,特征M3与特征N2的距离大于预设的距离阈值,由于满足分类要求的特征是M1,满足分类要求的特征数量比例为1/3=33%,而33%小于60%,因此,需要调整预分类类别M和预分类类别N。
本申请实施例中,对待分类图像进行标识,得到所述待分类图像对应的预分类类别,提取所述预分类类别中的待分类图像的特征,对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值。其中,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。由于计算距离的两个特征是从高维降到低维得到,因此,使得用于计算的两个特征能够保留更多的信息,从而保证计算的特征之间的距离更准确,进而使得依据该距离对得到的预分类类别进行调整得到的调整结果更准确,即由于对预分类类别进行了调整,而调整是依据不受用户主观感受不同而改变的距离,因此使得调整后的分类结果更准确。
在一些实施例中,为了便于用户查看预分类类别,则可视化降维后的特征,此时,在所述步骤S23之后,包括:
可视化所述第二维数阈值的特征;
对应地,所述图像分类方法还包括:
若接收到用户输入的重分类请求,则调整所述预分类类别。
本实施例中,在可视化降维后的特征时,采用不用颜色可视化不同预分类类别对应的降维后的特征。例如,假设特征1对应预分类类别1,特征2对应预分类类别2,则可采用红色可视化该特征1,采用绿色可视化该特征2。需要指出的是,若预分类类别的数量大于2,则在可视化降维后的特征时,所采用的多种颜色应是区分度较高的颜色,以便于用户查看。
优选地,为了降低可视化特征的运算量,则设定第二维数阈值为3或者为2,此时,降维后的特征的维数为三维,或者为二维,从而提高可视化特征的时间。优选地,所述步骤23采用t-SNE对提取的特征的维数执行降维操作,再可视化所述第二维数阈值的特征。其中,tSNE选择主成分分析方法(Principal Component Analysis,PCA)作为初始化算子。
本实施例中,若用户在查看可视化后的降维特征后,发现某些预分类类别发生了重叠,则发出重分类请求,以便对预分类类别进行重新分类。当然,若没有接收到用户输入的重分类请求,但手机通过运算判断出两个降维后的特征之间的距离不满足分类要求,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求。
在一些实施例中,若分别位于两个预分类类别中的特征的距离过小,则表明这两个预分类类别存在重叠现象,即,若所述两个降维后的特征分别位于两个预分类类别,则所述步骤S24具体包括:
若两个降维后的特征之间的距离小于预设的距离阈值且满足分类要求的特征数量比例小于预设的数量比例阈值,则将所述两个预分类类别合并为一个分类类别。
本实施例中,将两个预分类类别合并为一个分类类别后,能够保证合并得到的分类类别中的特征之间的距离满足分类要求。
在一些实施例中,若位于同一个预分类类别中的特征的距离过大,表明还可以对给预分类类别进行细分,即,若所述两个降维后的特征位于同一预分类类别,则所述步骤S24具体包括:
若两个降维后的特征之间的距离大于预设的距离阈值且满足分类要求的特征数量比例小于预设的数量比例阈值,则将所述预分类类别拆分为两个分类类别。
在一些实施例中,为了提取到更多的特征,则所述步骤S22包括:
通过预设的分类网络提取所述预分类类别中的待分类图像的特征;其中,预设的分类网络为经过初步训练后的分类网络,其能准确、快速地提取到待分类图像的特征。
对应地,在所述步骤S24之后,包括:
将调整后的所述预分类类别对应的待分类图像划分到测试集和训练集中;
根据所述测试集和训练集重新训练所述预设的分类网络,得到训练后的分类网络;
采用训练后的分类网络提取所述训练集中的待分类图像的特征,其中,提取的特征的维数大于或等于预设的第一维数阈值;
对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述训练集中的待分类图像对应的预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求。
本实施例中,由于测试集和训练集中的待分类图像是与调整后的预分类类别对应,因此,保证划分到测试集和训练集中的待分类图像的准确性,而测试集和训练集中所包括的待分类图像的数量是有限的,因此,能够快速实现对预设的分类网络的微调。此外,由于微调后的预设的分类网络只提取训练集中的待分类图像的特征,即后续只对训练集中的待分类图像所对应的预分类类别进行调整,而不对测试集中的待分类图像所对应的预分类类别进行调整,因此,避免了过量调整。
在一些实施例中,为了提高后续对提取的特征的操作的速度,则在所述步骤S22之后,包括:
存储提取的特征至本地;
对应地,所述步骤S23具体为:
读取本地存储的提取的特征,对所述提取的特征的维数执行降维操作。
本实施例中,由于在提取待分类图像的特征之后,将提取的特征存储至本地,而从本地读取存储的特征比读取外部设备或者网络存储的特征更快,因此,能够提高特征的读取速度。
在一些实施例中,由于提取的维数越高,后续执行降维操作所需的运算时间更长,而有些图像只需要低维特征就能实现对该图像的准确描述,此时,在所述步骤S21之后,还包括:
若所述预分类类别包括目标分类类别,则提取所述目标分类类别中的待分类图像的特征,得到维数为第三维数阈值的特征,所述第三维数阈值小于所述第一维数阈值,且大于或等于所述第二维数阈值。
其中,目标分类类别包括文本。
本实施例中,在对待分类图像进行标识的过程中,能够简单判断出该待分类图像是否为文本,若是文本,则提取该文本得到的特征的维数为第三维数阈值,由于第三维数阈值小于第一维数阈值,因此,在将提取的特征从第三维数阈值降低到第二维数阈值时,其对应的运算量将小于从第一维数阈值降低到第二维数阈值的运算量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的图像分类方法,图3示出了本申请实施例提供的装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图3,该图像分类装置装置3包括:预分类单元31、特征提取单元32、特征降维单元33、预分类调整单元34。其中:
预分类单元31,用于对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
其中,待分类图像的数量大于1,预分类类别的个数大于或等于1。
特征提取单元32,用于提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
其中,为了尽量保留待分类图像中的信息,则设定第一维数阈值大于或等于20,优选地,设定第一维数阈值等于1000。
特征降维单元33,用于对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
预分类调整单元34,用于若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
需要指出的是,若两个降维后的特征位于同一预设分类类别,则所述满足分类要求的特征数量比例是指所述同一预设分类类别中满足分类要求的特征数量比例;若两个降维后的特征分别位于两个预设分类类别,则所述满足分类要求的特征数量比例是指所述两个预设分类类别中的任一预设分类类别中满足分类要求的特征数量比例。
其中,预设的数量比例阈值大于50%,通常设为60%。
本申请实施例中,由于计算距离的两个特征是从高维降到低维得到,因此,使得用于计算的两个特征能够保留更多的信息,从而保证计算的特征之间的距离更准确,进而使得依据该距离对得到的预分类类别进行调整得到的调整结果更准确,即由于对预分类类别进行了调整,而调整是依据不受用户主观感受不同而改变的距离,因此使得调整后的分类结果更准确。
在一些实施例中,为了便于用户查看预分类类别,则可视化降维后的特征,此时,该图像分类装置装置3还包括:
特征可视化单元,用于可视化所述第二维数阈值的特征;
对应地,所述图像分类装置3还包括:
重分类请求接收单元,用于若接收到用户输入的重分类请求,则调整所述预分类类别。
本实施例中,在可视化降维后的特征时,采用不用颜色可视化不同预分类类别对应的降维后的特征。需要指出的是,若预分类类别的数量大于2,则在可视化降维后的特征时,所采用的多种颜色应是区分度较高的颜色,以便于用户查看。
优选地,为了降低可视化特征的运算量,则设定第二维数阈值为3或者为2,此时,降维后的特征的维数为三维,或者为二维,从而提高可视化特征的时间。
在一些实施例中,若分别位于两个预分类类别中的特征的距离过小,则表明这两个预分类类别存在重叠现象,即,若所述两个降维后的特征分别位于两个预分类类别,则所述预分类调整单元34具体用于:
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则将所述两个预分类类别合并为一个分类类别。
在一些实施例中,若位于同一个预分类类别中的特征的距离过大,表明还可以对给预分类类别进行细分,即,若所述两个降维后的特征位于同一预分类类别,则所述预分类调整单元34具体用于:
若所述两个降维后的特征之间的距离大于预设的距离阈值且满足分类要求的特征数量比例小于预设的数量比例阈值,则将所述预分类类别拆分为两个分类类别。
在一些实施例中,为了提取到更多的特征,则所述特征提取单元32具体用于:
通过预设的分类网络提取所述预分类类别中的待分类图像的特征;
对应地,所述图像分类装置3还包括:
分类类别微调单元,用于将调整后的所述预分类类别对应的待分类图像划分到测试集和训练集中;根据所述测试集和训练集重新训练所述预设的分类网络,得到训练后的分类网络;采用训练后的分类网络提取所述训练集中的待分类图像的特征,其中,提取的特征的维数大于或等于预设的第一维数阈值;对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述训练集中的待分类图像对应的预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值。
在一些实施例中,为了提高后续对提取的特征的操作的速度,则所述图像分类装置3还包括:
特征存储单元,用于存储提取的特征至本地;
对应地,所述特征降维单元33具体用于:
读取本地存储的提取的特征,对所述提取的特征的维数执行降维操作。
在一些实施例中,由于提取的维数越高,后续执行降维操作所需的运算时间更长,而有些图像只需要低维特征就能实现对该图像的准确描述,此时,所述图像分类装置3还包括:
若所述预分类类别包括目标分类类别,则提取所述目标分类类别中的待分类图像的特征,得到维数为第三维数阈值的特征,所述第三维数阈值小于所述第一维数阈值,且大于或等于所述第二维数阈值。
其中,目标分类类别包括文本。
本实施例中,在对待分类图像进行标识的过程中,能够简单判断出该待分类图像是否为文本,若是文本,则提取该文本得到的特征的维数为第三维数阈值,由于第三维数阈值小于第一维数阈值,因此,在将提取的特征从第三维数阈值降低到第二维数阈值时,其对应的运算量将小于从第一维数阈值降低到第二维数阈值的运算量。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请一实施例提供的终端设备的结构示意图。如图4所示,该实施例的终端设备4包括:至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42,所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。
对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的举例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像分类方法,其特征在于,包括:
对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
2.如权利要求1所述的图像分类方法,其特征在于,在所述对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征之后,包括:
可视化所述第二维数阈值的特征;
对应地,所述图像分类方法还包括:
若接收到用户输入的重分类请求,则调整所述预分类类别。
3.如权利要求1所述的图像分类方法,其特征在于,若所述两个降维后的特征分别位于两个预分类类别,则所述若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,具体包括:
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则将所述两个预分类类别合并为一个分类类别。
4.如权利要求3所述的图像分类方法,其特征在于,若所述两个降维后的特征位于同一预分类类别,则所述若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,具体包括:
若所述两个降维后的特征之间的距离大于预设的距离阈值且满足分类要求的特征数量比例小于预设的数量比例阈值,则将所述预分类类别拆分为两个分类类别。
5.如权利要求1所述的图像分类方法,其特征在于,所述提取所述预分类类别中的待分类图像的特征,包括:
通过预设的分类网络提取所述预分类类别中的待分类图像的特征;
对应地,在所述若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值之后,包括:
将调整后的所述预分类类别对应的待分类图像划分到测试集和训练集中;
根据所述测试集和训练集重新训练所述预设的分类网络,得到训练后的分类网络;
采用训练后的分类网络提取所述训练集中的待分类图像的特征,其中,提取的特征的维数大于或等于预设的第一维数阈值;
对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述训练集中的待分类图像对应的预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值。
6.如权利要求1至5任一项所述的图像分类方法,其特征在于,在所述提取所述预分类类别中的待分类图像的特征之后,包括:
存储提取的特征至本地;
对应地,所述对提取的特征的维数执行降维操作具体为:
读取本地存储的提取的特征,对所述提取的特征的维数执行降维操作。
7.如权利要求1所述的图像分类方法,其特征在于,在所述对待分类图像进行标识,得到所述待分类图像对应的预分类类别之后,还包括:
若所述预分类类别包括目标分类类别,则提取所述目标分类类别中的待分类图像的特征,得到维数为第三维数阈值的特征,所述第三维数阈值小于所述第一维数阈值,且大于或等于所述第二维数阈值。
8.一种图像分类装置,其特征在于,包括:
预分类单元,用于对待分类图像进行标识,得到所述待分类图像对应的预分类类别;
特征提取单元,用于提取所述预分类类别中的待分类图像的特征,其中,提取的特征的维数为第一维数阈值;
特征降维单元,用于对提取的特征的维数执行降维操作,得到维数为第二维数阈值的特征,其中,所述第二维数阈值小于所述第一维数阈值;
预分类调整单元,用于若两个降维后的特征之间的距离不满足分类要求且满足分类要求的特征数量比例小于预设的数量比例阈值,则调整所述预分类类别,直到所述两个降维后的特征之间的距离满足所述分类要求且满足分类要求的特征数量比例大于或等于预设的数量比例阈值,所述分类要求包括:若两个降维后的特征都位于同一预分类类别,则所述两个降维后的特征之间的距离小于或等于预设的距离阈值;和/或,若两个降维后的特征分别位于两个预分类类别,则所述两个降维后的特征之间的距离大于预设的距离阈值。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981903.5A CN110738258B (zh) | 2019-10-16 | 2019-10-16 | 图像分类方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981903.5A CN110738258B (zh) | 2019-10-16 | 2019-10-16 | 图像分类方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738258A true CN110738258A (zh) | 2020-01-31 |
CN110738258B CN110738258B (zh) | 2022-04-29 |
Family
ID=69269059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981903.5A Active CN110738258B (zh) | 2019-10-16 | 2019-10-16 | 图像分类方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738258B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070101269A1 (en) * | 2005-10-31 | 2007-05-03 | Microsoft Corporation | Capture-intention detection for video content analysis |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105654039A (zh) * | 2015-12-24 | 2016-06-08 | 小米科技有限责任公司 | 图像处理的方法和装置 |
CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
CN109063737A (zh) * | 2018-07-03 | 2018-12-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及移动终端 |
CN109165666A (zh) * | 2018-07-05 | 2019-01-08 | 南京旷云科技有限公司 | 多标签图像分类方法、装置、设备及存储介质 |
CN109389162A (zh) * | 2018-09-28 | 2019-02-26 | 北京达佳互联信息技术有限公司 | 样本图像筛选方法和装置、电子设备及存储介质 |
CN109753978A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置以及计算机可读存储介质 |
CN109800820A (zh) * | 2019-01-30 | 2019-05-24 | 四川大学华西医院 | 一种基于超声造影图像均匀程度的分类方法 |
-
2019
- 2019-10-16 CN CN201910981903.5A patent/CN110738258B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070101269A1 (en) * | 2005-10-31 | 2007-05-03 | Microsoft Corporation | Capture-intention detection for video content analysis |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN105654039A (zh) * | 2015-12-24 | 2016-06-08 | 小米科技有限责任公司 | 图像处理的方法和装置 |
CN106886599A (zh) * | 2017-02-28 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 图像检索方法以及装置 |
CN109753978A (zh) * | 2017-11-01 | 2019-05-14 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置以及计算机可读存储介质 |
CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
CN109063737A (zh) * | 2018-07-03 | 2018-12-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及移动终端 |
CN109165666A (zh) * | 2018-07-05 | 2019-01-08 | 南京旷云科技有限公司 | 多标签图像分类方法、装置、设备及存储介质 |
CN109389162A (zh) * | 2018-09-28 | 2019-02-26 | 北京达佳互联信息技术有限公司 | 样本图像筛选方法和装置、电子设备及存储介质 |
CN109800820A (zh) * | 2019-01-30 | 2019-05-24 | 四川大学华西医院 | 一种基于超声造影图像均匀程度的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110738258B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3495996B1 (en) | Image processing method and apparatus, and electronic device | |
US9823762B2 (en) | Method and apparatus for controlling electronic device using touch input | |
CN105867751B (zh) | 操作信息处理方法和装置 | |
CN110489025B (zh) | 界面显示方法及终端设备 | |
CN107944414B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN107766548B (zh) | 信息显示方法、装置、移动终端及可读存储介质 | |
WO2015067045A1 (en) | Method, device and computer system for performing operations on objects in object list | |
CN109993234B (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
CN108984066B (zh) | 一种应用程序图标显示方法及移动终端 | |
CN110536006A (zh) | 一种对象位置调整方法及电子设备 | |
US20150128095A1 (en) | Method, device and computer system for performing operations on objects in an object list | |
CN110764666A (zh) | 一种显示控制方法及电子设备 | |
CN110784672B (zh) | 一种视频数据传输方法、装置、设备及存储介质 | |
CN111090489A (zh) | 一种信息控制方法及电子设备 | |
CN109117037B (zh) | 一种图像处理的方法及终端设备 | |
US11853483B2 (en) | Image processing method and apparatus for smart pen including pressure switches, and electronic device | |
CN111459356A (zh) | 界面显示方法及电子设备 | |
CN110888572A (zh) | 一种消息显示方法及终端设备 | |
CN116307394A (zh) | 产品用户体验评分方法、装置、介质及设备 | |
CN110738258A (zh) | 图像分类方法、装置及终端设备 | |
CN111045588B (zh) | 一种信息查看方法及电子设备 | |
CN109525705B (zh) | 一种显示方法及终端设备 | |
CN109002239B (zh) | 一种信息显示方法及终端设备 | |
CN110874141A (zh) | 图标移动的方法及终端设备 | |
CN110795016A (zh) | 显示方法及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |