CN111325225B - 图像分类方法、电子装置和存储介质 - Google Patents
图像分类方法、电子装置和存储介质 Download PDFInfo
- Publication number
- CN111325225B CN111325225B CN201811528752.XA CN201811528752A CN111325225B CN 111325225 B CN111325225 B CN 111325225B CN 201811528752 A CN201811528752 A CN 201811528752A CN 111325225 B CN111325225 B CN 111325225B
- Authority
- CN
- China
- Prior art keywords
- image
- classifier
- layer
- probability value
- image classifier
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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)
- Image Analysis (AREA)
Abstract
一种图像分类方法、电子装置和存储介质,该方法包括:若在第一层分类器集合中无法直接识别待识别图像,可以从所述第一层分类器集合中选择第一概率值靠前的分类器对应的图像类型,并根据所述对应的图像类型建立第二层分类器集合,再对所述待识别图像进行识别,当所述待识别图像通过所述第二层分类器集合中的分类器识别后,选取所述第二层分类器集合中第二概率值最大的图像分类器输出的结果作为分类结果。实施本发明,可以进行图片识别,并输出识别结果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像分类方法、电子装置和存储介质。
背景技术
目前的图像分类过程属于直线型,输入影像,经过图像分类处理后输出图像类别,并且可以对图像类别对应的子类别进行进一步划分。这样在图像处理过程中容易出现当前类别识别错误时,会直接导致下一类别也识别错误的情况。
发明内容
鉴于以上内容,有必要提供一种图像分类方法、电子装置和存储介质,可以将不够确定的图像进行识别,并输出识别结果。
一种图像分类方法,该方法包括:
提取待识别图像的CNN特征;
将所述待识别图像输入到预建的第一层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第一层图像分类器集合中每个图像分类器输出的第一概率值;
比对所述每个图像分类器输出的第一概率值是否大于等于第一门槛值;
当所述每个图像分类器输出的第一概率值都小于所述第一门槛值时,将所述第一概率值降序排列,选取预设个数排列靠前的所述第一概率值对应的图像分类器,并确定选取的图像分类器对应的图像类别;
根据所述对应的图像类别建立第二层图像分类器集合;
将所述待识别图像输入到所述第二层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第二层图像分类器集合中每个图像分类器输出的第二概率值;
判断所述第二概率值是否大于等于第二门槛值;
当所述第二层图像分类器集合中存在图像分类器输出的第二概率值大于等于所述第二门槛值,选取所述第二概率值最大的图像分类器输出的结果作为分类结果。
进一步地,该方法还包括:
当所述第二层图像分类器集合中的图像分类器输出的第二概率值都小于所述第二门槛值时,选取所述第一层图像分类器集合中第一概率值最大的图像分类器输出的结果作为分类结果。
进一步地,该方法还包括:
当所述第一层图像分类器集合中存在图像分类器输出的第一概率值大于等于所述第一门槛值时,选取所述第一概率值最大的图像分类器输出的结果作为分类结果。
进一步地,所述第二层图像分类器集合中每个图像分类器的训练过程与所述第一层图像分类器集合中的每个图像分类器的训练过程不相同。
进一步地,根据所述待识别图像的CNN特征获取所述第一层图像分类器集合中每个图像分类器输出的第一概率值与根据所述待识别图像的CNN特征获取所述第二层图像分类器集合中每个图像分类器输出的第二概率值不相同。
进一步地,所述第二层图像分类器集合中的图像分类器用于对从所述第一层图像分类器中选取的图像分类器对应的图像类别进行进一步细分。
进一步地,当所述第二层图像分类器集合中第二概率值最大的图像分类器对应有多个时,随机选择多个所述第二概率值最大的图像分类器中的一个输出的结果作为分类结果。
进一步地,所述分类器包括Softmax分类器。
一种电子装置,所述电子装置包括:
处理器;以及
存储器,所述存储器中存储有多个程序模块,所述多个程序模块由所述处理器加载并执行所述的图像分类方法。
一种存储介质,其上存储有至少一条计算机指令,所述指令由处理器并加载执行所述的图像分类方法。
相较于现有技术,本发明提供的图像分类方法、电子装置和存储介质,若在第一层分类器集合中无法直接识别待识别图像,可以从所述第一层分类器集合中选择第一概率值靠前的分类器对应的图像类型,并根据所述对应的图像类型建立第二层分类器集合,再对所述待识别图像进行识别,当所述待识别图像通过所述第二层分类器集合中的分类器识别后,选取所述第二层分类器集合中第二概率值最大的图像分类器输出的结果作为分类结果。从而可以将不够确定的图像进行识别,并输出结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本发明图像分类系统的较佳实施方式的应用环境图。
图2是本发明图像分类系统的较佳实施方式的功能模块图。
图3是本发明图像分类方法的较佳实施方式的流程图。
主要元件符号说明
电子装置 1
存储器 11
处理器 12
图像分类系统 10
提取模块 101
获取模块 102
比对模块 103
确定模块 104
建立模块 105
输出模块 106
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
请参考图1,所示为本发明一实施方式中图像分类系统10的应用环境图。该图像分类系统10应用于电子装置1中。该电子装置1包括,但不仅限于,存储器11、至少一个处理器12、存储在所述存储器11中并可在所述至少一个处理器12上运行的计算机程序及至少一条通讯总线。
所述至少一个处理器12执行所述计算机程序时实现下文详述的图像分类方法实施例中的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器11中,并由所述至少一个处理器12执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子装置1中的执行过程。
在本实施方式中,所述电子装置1可以是,但并不限于,智能手机、平板电脑、台式机或一体机等电子设备。本领域技术人员可以理解,所述示意图1仅仅是电子装置1的示例,并不构成对电子装置1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,例如所述电子装置1还可以包括电路系统、I/O接口、电池、操作系统等。
在本实施方式中,所述处理器12可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器12是所述电子装置1的控制核心(Control Unit),利用各种接口和线路连接整个电子装置1的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块,以及调用存储在所述存储器11内的数据,以执行电子装置1的各种功能和处理数据,例如执行图像分类的功能。
所述存储器11可用于存储所述计算机程序和/或模块/单元,所述处理器12通过运行或执行存储在所述存储器11内的计算机程序和/或模块/单元,以及调用存储在存储器11内的数据,实现所述电子装置1的各种功能。所述存储器11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电子装置1的使用所创建的数据(比如音频数据等)等。在本实施方式中,该存储器11可以为该电子装置1的内部存储单元,例如该电子装置1的硬盘或内存。在其他实施方式中,所述存储器11包括只读存储器(Read-OnlyMemory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。在本实施方式中,所述存储器11内存储有图像分类系统10。
所述电子装置1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也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可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
参阅图2所示,所述图像分类系统10可以被分割成一个或多个模块,所述一个或多个模块存储在所述存储器11中,并被配置成一个或多个处理器(本实施例为一个处理器12)执行,以完成本发明。例如,所述图像分类系统10被分割成提取模块101、获取模块102、比对模块103、确定模块104、建立模块105及输出模块106。本发明所称的模块是能够完成一特定功能的程序段,比程序更适合用于描述软件在电子装置1中的执行过程,关于各模块的详细功能将在后文图3的流程图中作具体描述。
所述提取模块101用于提取待识别图像的CNN(convolution neural network,卷积神经网络)特征。
在本实施方式中,所述待识别图像可以是包括猫或狗等动物的图像,也可以是包括小区房或商场等建筑物的图像。
所述CNN是一种基本神经元局域连接的神经网络并行处理器,CNN的基本结构包括特征提取层和特征映射层。在特征提取层,每个神经元的输入与前一层的局部接收域相连,并提取该局部的特征,一旦该局部特征被提取后,它与其他特征的位置关系也随之确定下来;在特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等,特征映射结构使用影响函数核较小的激活函数,使得特征映射具有位移不变性。
所述获取模块102用于将所述待识别图像输入到预建的第一层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第一层图像分类器集合中每个图像分类器输出的第一概率值。
在本实施方式中,获取所述第一概率值的方法包括余弦相似度计算方法和利用Softmax分类器中的Softmax回归函数计算方法。
具体地,所述余弦相似度计算所述第一概率值包括:所述第一层图像分类器集合中每个图像分类器对应一个特征向量,可以将所述待识别图像的CNN特征转化为所述待识别图像的特征向量;根据所述每个图像分类器对应的特征向量与所述待识别图像的特征向量,计算所述每个图像分类器与所述待识别图像的向量内积;根据所述向量内积获取所述每个图像分类器输出的第一概率值。
所述Softmax分类器是二元逻辑回归泛化到多元的情况,在输入待识别图像的CNN特征后,所述Softmax分类器可输出所述待识别图像属于各个图像类别的概率值。所述第一层图像分类器集合中每个图像分类器可输出所述待识别图像属于各个图像类别的第一概率值。
在本实施方式中,所述第一层图像分类器集合可以包括多个图像分类器,每个图像分类器对应一个图像类别。例如,所述第一层图像分类器集合包括第一图像分类器、第二图像分类器、第三图像分类器;所述第一图像分类器用于识别狗,所述第二图像分类器用于识别猫,所述第三图像分类器用于识别兔子。
所述比对模块103用于比对所述每个图像分类器输出的第一概率值是否大于等于第一门槛值。例如,所述第一门槛值为0.5。
具体地,当存在某个图像分类器输出的第一概率值大于等于所述第一门槛值时,选取所述第一概率值最大的图像分类器输出的结果作为分类结果;当不存在图像分类器输出的第一概率值大于等于所述第一门槛值时,也就是说,所述第一层图像分类器集合中的每个图像分类器输出的第一概率值都小于所述第一门槛值时,确定所述第一层图像分类器无法直接识别所述待识别图像。
所述确定模块104用于当所述图像分类器输出的第一概率值都小于所述第一门槛值时,将所述第一概率值降序排列,选取预设个数排列靠前的所述第一概率值对应的图像分类器,并确定选取的图像分类器对应的图像类别。
例如,所述待识别图像经过所述第一图像分类器、第二图像分类器和第三图像分类器处理后得到的第一概率值分别为0.47、0.46和0.07。上述三个图像分类器得到的第一概率值都小于所述第一门槛值0.5,则选取两个排列靠前的第一概率值对应的图像分类器,即第一图像分类器和第二图像分类器;再确定选取的图像分类器对应的图像类别,即所述第一图像分类器对应的图像类别为狗和所述第二分类器对应的图像类别为猫。
所述建立模块105用于根据所述对应的图像类别建立第二层图像分类器集合。
在本实施方式中,所述第二层图像分类器集合中每个图像分类器的训练过程与所述第一层图像分类器集合中的图像分类器的训练过程不相同。所述第二层图像分类器集合中的图像分类器用于将从所述第一层图像分类器中选取的图像分类器对应的图像类别进行进一步细分。例如,选取的图像分类器包括第一图像分类器和第二图像分类器,所述第一图像分类器用于识别狗,所述建立模块105根据所述类别狗来建立对狗进行进一步细分的第二层分类器集合,包括用于识别贵宾犬的分类器、用于识别斗牛犬的分类器、用于识别牧羊犬的分类器和用于识别吉娃娃的分类器。
所述第二图像分类器用于识别猫,所述建立模块105根据类别猫来建立对猫进行进一步细分的第二层图像分类器集合,包括用于识别波斯猫的分类器、用于识别俄罗斯蓝猫的分类器和用于识别英国短毛猫的分类器。
所述获取模块102还用于将所述待识别图像输入到所述第二层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第二层图像分类器集合中每个图像分类器输出的第二概率值。
在本实施方式中,所述第二层图像分类器集合中每个图像分类器的训练过程与所述第一层图像分类器集合中的图像分类器的训练过程不相同。因此,将所述待识别图像输入到所述第二层图像分类器集合中后,获取的所述第二层图像分类器集合中每个图像分类器输出的第二概率值与所述第一概率值也不相同。
可以理解的是,每一层图像分类器集合中的每个图像分类器都是独立训练产生的。在本实施方式中,将所述图像分类器以不同阶层的方式对所述待识别图像进行处理,从而得到的概率值彼此之间并无关联。所述图像分类器的训练过程为现有技术,在此不再赘述。
例如,所述待识别图像经过所述用于识别贵宾犬的分类器处理后得到的第二概率值为0.5,所述待识别图像经过所述用于识别斗牛犬的分类器处理后得到的第二概率值为0.2,所述待识别图像经过所述用于识别牧羊犬的分类器处理后得到的第二概率值为0.1,及所述待识别图像经过所述用于识别吉娃娃的分类器处理后得到的第二概率值0.2;所述待识别图像经过所述用于识别波斯猫的分类器处理后得到的第二概率值为0.3、所述待识别图像经过所述用于识别俄罗斯蓝猫的分类器处理后得到的第二概率值为0.4,所述待识别图像经过所述用于识别英国短毛猫的分类器处理后得到的第二概率值为0.3。
所述输出模块106选取所述第二概率值最大的图像分类器输出的结果作为分类结果。
在本实施方式中,选取所述用于识别贵宾犬的分类器输出的结果作为分类结果,也就是说,确定所述待识别图像为贵宾犬。
在一实施方式中,若所述第二概率值最大的图像分类器有多个,则随机选择多个所述图像分类器中的一个输出的结果作为分类结果。例如,所述待识别图像经过所述用于识别贵宾犬的分类器处理后得到的第二概率值为0.5,所述待识别图像经过所述用于识别波斯猫的分类器处理后得到的第二概率值也为0.5,则随机选择输出贵宾犬或者波斯猫作为分类结果。
在另一实施方式中,若所述第二概率值最大的图像分类器有多个,则随机选择多个所述图像分类器中的一个输出的结果作为分类结果。
如图3所示,本发明较佳实施方式的图像分类方法流程图。根据不同需求,该流程图中步骤的顺序可以改变,某些步骤可以省略或合并。
步骤S01,提取待识别图像的特征。
在本实施方式中,所述待识别图像可以是包括猫或狗等动物的图像,也可以是包括小区房或商场等建筑物的图像。
步骤S02,将所述待识别图像输入到预建的第一层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第一层图像分类器集合中每个图像分类器输出的第一概率值。
在本实施方式中,获取所述第一概率值的方法包括余弦相似度计算方法和利用Softmax分类器中的Softmax回归函数计算方法。
具体地,所述余弦相似度计算所述第一概率值包括:所述第一层图像分类器集合中每个图像分类器对应一个特征向量,可以将所述待识别图像的CNN特征转化为所述待识别图像的特征向量;根据所述每个图像分类器对应的特征向量与所述待识别图像的特征向量,计算所述每个图像分类器与所述待识别图像的向量内积;根据所述向量内积获取所述每个图像分类器输出的第一概率值。
所述Softmax分类器是二元逻辑回归泛化到多元的情况,在输入待识别图像的CNN特征后,所述Softmax分类器可输出所述待识别图像属于各个图像类别的概率值。所述第一层图像分类器集合中每个图像分类器可输出所述待识别图像属于各个图像类别的第一概率值。
在本实施方式中,所述第一层图像分类器集合可以包括多个图像分类器,每个图像分类器对应一个类别。例如,所述第一层图像分类器集合包括第一图像分类器、第二图像分类器、第三图像分类器;所述第一图像分类器用于识别狗,所述第二图像分类器用于识别猫,所述第三图像分类器用于识别兔子。
步骤S03,比对所述每个图像分类器输出的第一概率值是否大于等于第一门槛值。例如,所述第一门槛值为0.5。
当存在某个图像分类器输出的第一概率值大于等于所述第一门槛值时,流程进入步骤S04;当不存在图像分类器输出的第一概率值大于等于所述第一门槛值时,也就是说,所述第一层图像分类器集合中的每个图像分类器输出的第一概率值都小于所述第一门槛值时,确定所述第一层图像分类器无法直接识别所述待识别图像,流程进入步骤S05。
步骤S04,选取所述第一概率值最大的图像分类器输出的结果作为分类结果。
步骤S05,将所述第一概率值降序排列,选取预设个数排列靠前的所述第一概率值对应的图像分类器,并确定选取的图像分类器对应的图像类别。
例如,所述待识别图像经过所述第一图像分类器、第二图像分类器和第三图像分类器处理后得到的第一概率值分别为0.47、0.46和0.07。上述三个图像分类器得到的第一概率值都小于所述第一门槛值0.5,则选取两个排列靠前的第一概率值对应的图像分类器,即第一图像分类器和第二图像分类器;再确定选取的图像分类器对应的图像类别,即所述第一图像分类器对应的图像类别为狗和所述第二分类器对应的图像类别为猫。
步骤S06,根据所述对应的图像类别建立第二层图像分类器集合。
在本实施方式中,所述第二层图像分类器集合中每个分类器的训练过程与所述第一层图像分类器集合中的分类器的训练过程不相同。所述第二层图像分类器集合中的分类器用于将从所述第一层图像分类器中选取的图像分类器对应的图像类别进行进一步细分。例如,选取的图像分类器包括第一图像分类器和第二图像分类器,所述第一图像分类器用于识别狗,根据所述类别狗来建立对狗进行进一步细分的第二层分类器集合,包括用于识别贵宾犬的分类器、用于识别斗牛犬的分类器、用于识别牧羊犬的分类器和用于识别吉娃娃的分类器。
所述第二图像分类器用于识别猫,根据类别猫来建立对猫进行进一步细分的第二层图像分类器集合,包括用于识别波斯猫的分类器、用于识别俄罗斯蓝猫的分类器和用于识别英国短毛猫的分类器。
步骤S07,将所述待识别图像输入到所述第二层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第二层图像分类器集合中每个图像分类器输出的第二概率值。
在本实施方式中,所述第二层图像分类器集合中每个分类器的训练过程与所述第一层图像分类器集合中的分类器的训练过程不相同。因此,将所述待识别图像输入到所述第二层图像分类器集合中后,获取的所述第二层图像分类器集合中每个图像分类器输出的第二概率值与所述第一概率值也不相同。
可以理解的是,每一层图像分类器集合中的每个图像分类器都是独立训练产生的,所述每个图像分类器对应确定一种图像类型。即,所述第一层图像分类器集合和所述第二层图像分类器集合中的每个图像分类器对应确定一种图像类型。在本实施方式中,将所述图像分类器以不同阶层的方式对所述待识别图像进行处理,从而得到的概率值彼此之间并无关联。所述图像分类器的训练过程为现有技术,在此不再赘述。
例如,所述待识别图像经过所述用于识别贵宾犬的分类器处理后得到的第二概率值为0.5,所述待识别图像经过所述用于识别斗牛犬的分类器处理后得到的第二概率值为0.2,所述待识别图像经过所述用于识别牧羊犬的分类器处理后得到的第二概率值为0.1,及所述待识别图像经过所述用于识别吉娃娃的分类器处理后得到的第二概率值0.2;所述待识别图像经过所述用于识别波斯猫的分类器处理后得到的第二概率值为0.3、所述待识别图像经过所述用于识别俄罗斯蓝猫的分类器处理后得到的第二概率值为0.4,所述待识别图像经过所述用于识别英国短毛猫的分类器处理后得到的第二概率值为0.3。
步骤S08,判断所述第二概率值是否大于等于第二门槛值。
当所述第二层图像分类器集合中存在图像分类器输出的第二概率值大于等于所述第二门槛值时,流程进入步骤S09;当所述第二层图像分类器集合中不存在图像分类器输出的第二概率值大于等于所述第二门槛值时,也就是说,所述第二层图像分类器集合中的每个图像分类器输出的第二概率值都小于所述第二门槛值时,确定所述第二层图像分类器无法确定所述待识别图像,流程进入步骤S10。
步骤S09,选取所述第二概率值最大的图像分类器输出的结果作为分类结果。
在本实施方式中,选取所述用于识别贵宾犬的分类器输出的结果作为分类结果,也就是说,确定所述待识别图像为贵宾犬。
步骤S10,选取所述第一层图像分类器集合中第一概率值最大的图像分类器输出的结果作为分类结果。
当所述第二层图像分类器集合中的分类器无法确定所述待识别图像时,不需要强行将所述待识别图像进行分类,返回至所述第一层图像分类器集合中,选取所述第一层图像分类器集合中第一概率值最大的图像分类器输出的结果作为分类结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的电子装置和方法,可以通过其它的方式实现。例如,以上所描述的电子装置实施例仅仅是示意性的,例如,所述模块的划分,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。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,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相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照以上较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换都不应脱离本发明技术方案的精神和范围。
Claims (10)
1.一种图像分类方法,其特征在于,该方法包括:
提取待识别图像的CNN特征;
将所述待识别图像输入到预建的第一层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第一层图像分类器集合中每个图像分类器输出的第一概率值;
比对所述每个图像分类器输出的第一概率值是否大于等于第一门槛值;
当所述每个图像分类器输出的第一概率值都小于所述第一门槛值时,将所述第一概率值降序排列,选取预设个数排列靠前的所述第一概率值对应的图像分类器,并确定选取的图像分类器对应的图像类别;
根据所述对应的图像类别建立第二层图像分类器集合;
将所述待识别图像输入到所述第二层图像分类器集合中,根据所述待识别图像的CNN特征获取所述第二层图像分类器集合中每个图像分类器输出的第二概率值;
判断所述第二概率值是否大于等于第二门槛值;
当所述第二层图像分类器集合中存在图像分类器输出的第二概率值大于等于所述第二门槛值,选取所述第二概率值最大的图像分类器输出的结果作为分类结果。
2.如权利要求1所述的图像分类方法,其特征在于,该方法还包括:
当所述第二层图像分类器集合中的图像分类器输出的第二概率值都小于所述第二门槛值时,选取所述第一层图像分类器集合中第一概率值最大的图像分类器输出的结果作为分类结果。
3.如权利要求1所述的图像分类方法,其特征在于,该方法还包括:
当所述第一层图像分类器集合中存在图像分类器输出的第一概率值大于等于所述第一门槛值时,选取所述第一概率值最大的图像分类器输出的结果作为分类结果。
4.如权利要求2所述的图像分类方法,其特征在于,所述第二层图像分类器集合中每个图像分类器的训练过程与所述第一层图像分类器集合中的每个图像分类器的训练过程不相同。
5.如权利要求4所述的图像分类方法,其特征在于,根据所述待识别图像的CNN特征获取所述第一层图像分类器集合中每个图像分类器输出的第一概率值与根据所述待识别图像的CNN特征获取所述第二层图像分类器集合中每个图像分类器输出的第二概率值不相同。
6.如权利要求1所述的图像分类方法,其特征在于,所述第二层图像分类器集合中的图像分类器用于对从所述第一层图像分类器中选取的图像分类器对应的图像类别进行进一步细分。
7.如权利要求6所述的图像分类方法,其特征在于,当所述第二层图像分类器集合中第二概率值最大的图像分类器对应有多个时,随机选择多个所述第二概率值最大的图像分类器中的一个输出的结果作为分类结果。
8.如权利要求1所述的图像分类方法,其特征在于,所述分类器包括Softmax分类器。
9.一种电子装置,其特征在于,所述电子装置包括:
处理器;以及
存储器,所述存储器中存储有多个程序模块,所述多个程序模块由所述处理器加载并执行如权利要求1-8中任意一项所述的图像分类方法。
10.一种存储介质,其上存储有至少一条计算机指令,其特征在于,所述指令由处理器并加载执行如权利要求1-8中任意一项所述的图像分类方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528752.XA CN111325225B (zh) | 2018-12-13 | 2018-12-13 | 图像分类方法、电子装置和存储介质 |
US16/458,486 US11055578B2 (en) | 2018-12-13 | 2019-07-01 | Method for classifying images and electronic device employing the method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528752.XA CN111325225B (zh) | 2018-12-13 | 2018-12-13 | 图像分类方法、电子装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325225A CN111325225A (zh) | 2020-06-23 |
CN111325225B true CN111325225B (zh) | 2023-03-21 |
Family
ID=71071714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811528752.XA Active CN111325225B (zh) | 2018-12-13 | 2018-12-13 | 图像分类方法、电子装置和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11055578B2 (zh) |
CN (1) | CN111325225B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298166A (zh) * | 2021-06-01 | 2021-08-24 | 中科晶源微电子技术(北京)有限公司 | 缺陷分类器和缺陷分类方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354307A (zh) * | 2015-11-06 | 2016-02-24 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN107516102A (zh) * | 2016-06-16 | 2017-12-26 | 北京市商汤科技开发有限公司 | 图像数据分类与建立分类模型方法、装置及系统 |
CN108681746A (zh) * | 2018-05-10 | 2018-10-19 | 北京迈格威科技有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145893A (zh) | 2017-03-13 | 2017-09-08 | 中国矿业大学 | 一种基于卷积深度网络的图像识别算法及系统 |
TWI643137B (zh) | 2017-04-21 | 2018-12-01 | 潘品睿 | 物件辨識方法及物件辨識系統 |
-
2018
- 2018-12-13 CN CN201811528752.XA patent/CN111325225B/zh active Active
-
2019
- 2019-07-01 US US16/458,486 patent/US11055578B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354307A (zh) * | 2015-11-06 | 2016-02-24 | 腾讯科技(深圳)有限公司 | 一种图像内容识别方法及装置 |
CN107516102A (zh) * | 2016-06-16 | 2017-12-26 | 北京市商汤科技开发有限公司 | 图像数据分类与建立分类模型方法、装置及系统 |
CN108681746A (zh) * | 2018-05-10 | 2018-10-19 | 北京迈格威科技有限公司 | 一种图像识别方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111325225A (zh) | 2020-06-23 |
US20200193240A1 (en) | 2020-06-18 |
US11055578B2 (en) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304882B (zh) | 一种图像分类方法、装置及服务器、用户终端、存储介质 | |
CN107633204A (zh) | 人脸遮挡检测方法、装置及存储介质 | |
CN111340097B (zh) | 图像细粒度分类方法、装置、存储介质及设备 | |
CN109918498B (zh) | 一种问题入库方法和装置 | |
CN109284757A (zh) | 一种车牌识别方法、装置、计算机装置及计算机可读存储介质 | |
US20200210776A1 (en) | Question answering method, terminal, and non-transitory computer readable storage medium | |
CN112257808A (zh) | 用于零样本分类的集成协同训练方法、装置及终端设备 | |
CN112966758B (zh) | 一种农作物病虫草害识别方法、装置、系统及存储介质 | |
CN111695453A (zh) | 绘本识别方法、装置及机器人 | |
CN111209929A (zh) | 访问数据处理方法、装置、计算机设备及存储介质 | |
CN112101156A (zh) | 一种目标识别的方法、装置和电子设备 | |
CN110232381B (zh) | 车牌分割方法、装置、计算机设备及计算机可读存储介质 | |
CN110175500B (zh) | 指静脉比对方法、装置、计算机设备及存储介质 | |
CN111325225B (zh) | 图像分类方法、电子装置和存储介质 | |
CN110659631A (zh) | 车牌识别方法和终端设备 | |
CN112560463B (zh) | 文本多标注方法、装置、设备及存储介质 | |
CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN111930935B (zh) | 图像分类方法、装置、设备和存储介质 | |
CN112766387B (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
CN115272682A (zh) | 目标对象检测方法、目标检测模型的训练方法及电子设备 | |
CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
TWI706334B (zh) | 圖像分類方法、電子裝置和存儲介質 | |
CN112434722A (zh) | 基于类别相似度的标签平滑计算的方法、装置、电子设备及介质 | |
CN110276449B (zh) | 一种基于无监督学习的数据处理方法及装置 |
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 |