CN111414921A - 样本图像处理方法、装置、电子设备及计算机存储介质 - Google Patents

Abstract

本公开实施例涉及图像处理技术领域，公开了一种样本图像处理方法、装置、电子设备及计算机存储介质，其中，样本图像处理方法包括：获取预定数量的属于预定图像类别的样本图像；接着，确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；接着，针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。本公开实施例的方法，不仅能够高效地对噪声样本图像进行筛选与清理，极大减少筛选图像噪声样本图像所耗费的人力成本，而且利于训练基于卷积神经网络的分类模型，便于提高分类模型的分类准确性。

Description

样本图像处理方法、装置、电子设备及计算机存储介质

技术领域

本公开实施例涉及图像处理技术领域，具体而言，本公开涉及一种样本图像处理方法、装置、电子设备及计算机存储介质。

背景技术

近年来，深度学习在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用。卷积神经网络作为深度学习的一个重要分支，由于其超强的拟合能力以及端到端的全局优化能力，使得图像分类任务在应用卷积神经网络之后，预测精度大幅提升。其中，在通过基于卷积神经网络的分类模型进行图像分类的过程中，首先需要获取大量的样本图像，来对基于卷积神经网络的分类模型进行训练，接着再使用训练后的分类模型对待分类的图像的进行图像分类。

通常，可以从一些图像网站或摄影网站中获取上传者上传的各种图像类别的各种图像作为样本图像。其中，上传者在上传图像时会根据图像网站的要求，为待上传的图像设定相应的图像类别，即对待上传的图像做简单分类，比如在上传图像的过程中，先确定待上传图像的图像类别，并将待上传的图像上传到确定出的图像类别中。

然而，本公开的发明人在具体实施过程中，发现：上传者在上传图像时，存在不严格遵守图像网站的要求来对上传图像进行准确分类的情况，比如图像1原本属于图像类别A，而上传者随意将其上传到了图像类别B中，从而导致图像类别中的图像存在噪声样本图像的情况，如果通过专门的工作人员对图像网站中各种图像类别中的大量图像进行噪声样本图像的筛选，不仅成本高，而且效率低下，因此，需要一种处理图像类别中的噪声样本图像的方法。

发明内容

本公开实施例的目的旨在至少能解决上述的技术缺陷之一，特提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

一方面，提供了一种样本图像处理法，包括：

获取预定数量的属于预定图像类别的样本图像；

确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

一方面，提供了一种样本图像处理装置，包括：

获取模块，用于获取预定数量的属于预定图像类别的样本图像；

第一确定模块，用于确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

第二确定模块，用于针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的样本图像处理方法。

一方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的样本图像处理方法。

本公开实施例提供的样本图像处理方法，确定预定图像类别中的各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别，使得可以根据各样本图像的各图像特征，重新确定各样本图像实际对应的图像类别，为后续滤除噪声样本图像提供前提保障；针对每一样本图像，可以根据预定图像类别与目标图像类别，快速、准确地确定预定图像类别中的噪声样本图像，并对噪声样本图像进行滤除处理，使得不仅能够高效地对每种预定图像类别中的噪声样本图像进行筛选与清理，极大减少筛选图像噪声样本图像所耗费的人力成本，而且利于训练基于卷积神经网络的分类模型，便于提高分类模型的分类准确性。

本公开实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例的样本图像处理方法的流程示意图；

图2为本公开实施例的样本图像处理装置的基本结构示意图；

图3为本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。

本公开实施例提供的样本图像处理方法、装置、电子设备及计算机存储介质，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本公开实施例的技术方案以及本公开实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。

本公开一个实施例提供了一种样本图像处理方法，该方法由计算机设备执行，该计算机设备可以是终端或者服务器。终端可以是台式设备或者移动终端。服务器可以是独立的物理服务器、物理服务器集群或者虚拟服务器。如图1所示，该方法包括：步骤S110，获取预定数量的属于预定图像类别的样本图像；步骤S120，确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；步骤S130，针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

具体地，由于在训练基于神经网络的分类模型时，需要训练很多的图像类别，即基于很多图像类别的样本图像对基于神经网络的分类模型进行训练，因此，需要预先获取各种图像类别的各种图像，并将该获取到的各种图像类别的各种图像作为样本图像，来对基于神经网络的分类模型进行训练。

具体地，可以从某些图像网站或摄影网站中获取各种图像类别的各种图像作为样本图像。通常，图像网站或摄影网站会预先设定各种各样的图像类别(即预定图像类别)，并要求上传者(比如摄影师)在上传图像时，根据待上传的各个图像的图像特征，将各个图像分别上传到相对应的各种预定图像类别中。

在一个示例中，假如某个图像网站(例如图像网站W)中包括图像类别A、图像类别B、图像类别C及图像类别D共四个预定图像类别，上传者小张的待上传图像分别为图片1、图片2、图片3、....图片25，则小张在上传各个图片时，可以根据个人经验或意愿将图片1与图片2共2张图片上传到图像类别A中，将图片3、图片5、…、及图片7共5张图片上传到图像类别B中，将图片8、图片10、…、及图片15共8张图片上传到图像类别C中，将图片16、图片17、…、及图片25共10张图片上传到图像类别D中。

具体地，基于上述示例，当大量上传者(比如100个人)将各自的众多待上传图像上传到图像网站W中的图像类别A、图像类别B、图像类别C及图像类别D时，图像网站W中的图像类别A将会包括大量的图像(比如1000张图像)、图像类别B将会包括大量的图像(比如1200张图像)、图像类别C将会包括大量的图像(比如1150张图像)及图像类别D将会包括大量的图像(比如1300张图像)。此时，从该图像网站W中获取到的样本图像至少包括图像类别A中的1000张图像、图像类别B中的1200张图像、图像类别C中的1150张图像及图像类别D中的1300张图像。

具体地，由于上传者在将各个图像分别上传到相对应的各种预定图像类别时，存在一定的主观性，导致图像网站中的图像存在分类不准确或分类错误的情况，比如图像1原本属于图像类别A，而上传者随意将其上传到了图像类别B中，致使图像1对于图像类别B来说，属于噪声样本图像，因此，需要对各个预定图像类别中的各个样本图像进行噪声样本图像的滤除处理。

具体地，下面以图像类别A这一预定图像类别为例，对滤除各个预定图像类别中的噪声样本图像进行详细介绍：

首先，获取预定数量的属于图像类别A的样本图像，比如获取图像类别A中的所有样本图像，基于上述示例，预定数量可以为1000。

接着，由于不同拍摄场景下的图像往往具有不同的图像特征，存在不同目标物体的图像也往往具有不同的图像特征，因此，一个图像(例如图像1)可以同时具有多个图像特征，例如图像1具有图像特征1与图像特征2，又例如图像2具有图像特征3、图像特征4及图像特征5，再例如图像3具有图像特征1、图像特征2及图像特征3等。故需要对各个样本图像分别进行图像特征提取，得到各个样本图像分别对应的各个图像特征。

通常，某个图像(例如图像1)的多个图像特征可以作为对该某个图像进行图像分类的分类依据，即依据该多个图像特征对该某个图像进行图像分类。于是，在得到各个样本图像分别对应的各个图像特征后，可以根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别。其中，在根据某个样本图像的各图像特征，确定该某个样本图像对应的目标图像类别的过程中，可以根据该某个样本图像的各图像特征，确定该某个样本图像对应于各个目标图像类别的类别权重，并将各个类别权重中的最大值所对应的目标图像类别，最终确定为该某个样本图像的目标图像类别。需要说明的是，各个类别权重的总和可以为预定数值，比如1、2及3等等。

接着，对于每个样本图像来说，可以基于图像类别A与每个样本图像的目标图像类别(可能是图像类别A，也可能不是图像类别A)，确定该每个样本图像是否为噪声样本图像，当确定该每个样本图像为噪声样本图像时，需要从图像类别A中滤除该每个样本图像。在一个示例中，假如图像类别A中的某个样本图像为图像1，且基于图像类别A与图像1的目标图像类别，确定图像1为噪声样本图像，此时需要将图像1从图像类别A中滤除。上述是以图像类别A中的图像1为例进行的具体说明，对于图像类别A中其它的每个图像，也采用上述方式进行噪声样本图像的滤除处理。

需要说明的是，对于图像网站中的除图像类别A外的其它图像类别，也采用上述图像类别A的噪声样本图像的滤除处理过程，在此不再赘述。

本公开实施例提供的样本图像处理方法，确定预定图像类别中的各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别，使得可以根据各样本图像的各图像特征，重新确定各样本图像实际对应的图像类别，为后续滤除噪声样本图像提供前提保障；针对每一样本图像，可以根据预定图像类别与目标图像类别，快速、准确地确定预定图像类别中的噪声样本图像，并对噪声样本图像进行滤除处理，使得不仅能够高效地对每种预定图像类别中的噪声样本图像进行筛选与清理，极大减少筛选图像噪声样本图像所耗费的人力成本，而且利于训练基于卷积神经网络的分类模型，便于提高分类模型的分类准确性。

下面对本公开实施例的方法进行具体介绍：

在一种可能的实现方式中，基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像，包括：确定每一样本图像的目标图像类别与预定图像类别是否相同；若目标图像类别与预定图像类别不相同，则确定每一样本图像为噪声样本图像。

具体地，在根据每一样本图像的各图像特征确定出该每一样本图像的目标图像类别后，可以根据该目标图像类别与该每一样本图像所属的预定图像类别，判断该每一样本图像是否为噪声样本图像。在判断过程中，可以通过对比目标图像类别与预定图像类别是否相同，来判定该每一样本图像是否为噪声样本图像。其中，当目标图像类别与预定图像类别相同时，可以判定该每一样本图像不是噪声样本图像，当目标图像类别与预定图像类别不相同时，可以判定该每一样本图像是噪声样本图像。

在一个示例中，假如预定图像类别为图像类别A，该每一样本图像为图像类别A中的图像1，若根据图像1的各图像特征确定图像1的目标图像类别为图像类别A，则图像1的目标图像类别与预定图像类别相同，此时可以判定图像1不是噪声样本图像，即图像1的确应该属于图像网站中的图像类别A这一预定图像类别，也即图像1对于图像类别A这一预定图像类别来说不是噪声样本图像，不需要对图像1进行滤除处理。

在另一个示例中，假如预定图像类别为图像类别A，该每一样本图像为图像类别A中的图像1，若根据图像1的各图像特征确定图像1的目标图像类别为图像类别R1，则图像1的目标图像类别与预定图像类别不相同，此时可以判定图像1是噪声样本图像，即图像1不应该属于图像网站中的图像类别A，也即图像1对于图像类别A来说是噪声样本图像，需要对图像1进行滤除处理，即将图像1从图像类别A中滤除。

在一种可能的实现方式中，在确定各样本图像分别对应的目标图像类别之后，还可以确定各样本图像对应于各自对应的目标图像类别的置信度值或概率值(记作第一概率值)等参考信息。

具体地，针对预定图像类别中的每个样本图像，在根据该每个样本图像的各个图像特征，确定出该每个样本图像对应于各个目标图像类别的类别权重，并将各个类别权重中的最大值(即最大权重值)所对应的目标图像类别，最终确定为该某个样本图像的目标图像类别后，可以根据该最大权重值，确定该某个样本图像对应于目标图像类别的置信度值或概率值。

在一个示例中，假如预定图像类别为图像类别A，样本图像为图像3，图像3具有图像特征1、图像特征2及图像特征3，若根据图像特征1、图像特征2及图像特征3，确定图像3对应于目标图像类别R1的类别权重为Q1、对应于目标图像类别R2的类别权重为Q2、对应于目标图像类别R3的类别权重为Q3，且Q1、Q2及Q3中的最大值为Q1，则可以将图像类别R1确定为图像3的目标图像类别，即图像3的目标图像类别为图像类别R1。接着，可以根据Q1确定图像3对应于目标图像类别R1的置信度值或概率值，比如置信度值为D1或概率值为P％。

需要说明的是，上述是以图像类别A中的图像3为例，具体说明参考信息的确定过程，对于图像类别A中其它的每个图像，也采用上述方式进行参考信息的确定，在此不再赘述。

具体地，在确定各样本图像对应于各自对应的目标图像类别的参考信息后，在基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像的过程中，可以基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像。也就是说，针对预定图像类别中的每一样本图像，当确定出该每一样本图像对应于目标图像类别的参考信息后，可以基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定该每一样本图像是否为噪声样本图像。

其中，当参考信息为置信度值时，基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定该每一样本图像是否为噪声样本图像的过程，具体可以为：首先，确定每一样本图像的目标图像类别与预定图像类别是否相同；若目标图像类别与预定图像类别不相同，接着确定置信度值是否大于或等于预定阈值，若置信度值大于或等于预定阈值，则确定每一样本图像为噪声样本图像。

具体地，在确定出每一样本图像对应的目标图像类别后，可以先判断该目标图像类别与该每一样本图像对应的预定图像类别是否相同，如果两者相同，则可以直接确定该每一样本图像不是噪声样本图像，不需要进行滤除处理，即不需要将该每一样本图像从该每一样本图像对应的预定图像类别中滤除。如果两者不相同，并不能直接确定该每一样本图像为噪声样本图像，还需要进一步根据该每一样本图像对应于目标图像类别的置信度值进行判断，其中，若置信度值比较低(例如小于预定阈值)，则说明该每一样本图像对应于目标图像类别的可信度比较低，分类结果不准确，可能存在错误分类的情况，故此时不能将该每一样本图像确定为噪声样本图像；若置信度值比较高(例如大于或等于预定阈值)，则说明该每一样本图像对应于目标图像类别的可信度比较高，分类结果比较准确，故此时可以将该每一样本图像确定为噪声样本图像。

在一种可能的实现方式中，确定各样本图像分别对应的各图像特征，根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别和各样本图像对应于各自对应的目标图像类别的参考信息是通过初步训练后的第一分类模型实现的。

具体地，初步训练后的第一分类模型可以是基于卷积神经网络的分类模型，比如该初步训练后的第一分类模型是采用常规的神经网络训练方法，对神经网络训练预定次数后得到的，预定次数可以是根据实际情况设定，比如可以是5000次、6000次等，本申请实施例不对其作限制。

具体地，上述初步训练后的第一分类模型可能不是一个完备的分类模型，比如分类准确度依然有待提升，故需要根据从某些图像网站或摄影网站获取的各种图像类别的各种图像作为样本图像，继续对第一分类模型进行训练。假如某个图像网站W中的各个图像类别分别为图像类别A、图像类别B、图像类别C及图像类别D，且图像类别A包括1000张图像、图像类别B包括1200张图像、图像类别C包括1150张图像及图像类别D包括1300张图像，则可以根据图像类别A与图像类别A包括的1000张图像、图像类别B与图像类别B包括的1200张图像、图像类别C与图像类别C包括的1150张图像、以及图像类别D与图像类别D包括的1300张图像，继续对上述初步训练后的第一分类模型进行训练。

具体地，根据各种图像类别的各种图像，继续对第一分类模型进行训练的过程中，可以根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，并通过惩罚联合损失函数的方式，继续训练第一分类模型，直第一分类模型满足预定条件，得到训练后的第二分类模型。其中，预定条件包括但不限于分类正确率大于或等于预定阈值、迭代训练次数大于或等于预定次数、联合损失函数收敛等等。

下面以图像类别A及图像类别A中的某个图像(例如图像3)为例，对继续训练第一分类模型进行详细介绍：

假如第一分类模型将图像3预测为图像类别I的概率为y_i(即上述和第一概率值)，由于图像3为预定图像类别A的概率为100％，为便于描述将100％记作y_d(即上述的第二概率值)，即y_d＝100％，则可以根据y_i和y_d确定联合损失函数，并通过惩罚联合损失函数的方式，继续训练第一分类模型，直至第一分类模型满足预定条件，并将满足预定条件的继续训练后的第一分类模型记作训练后的第二分类模型。

其中，在根据y_i和y_d确定联合损失函数的过程中，首先，根据第二概率值与预定常数，通过归一化指数函数，得到相应的概率分布数值，比如可以把y_d乘以预定常数D(例如D＝10)得到相应的乘积，再通过归一化指数函数(例如Softmax函数)把该乘积转换成概率分布值(记作y_p)，即概率分布值为y_p；接着，确定各第一概率值与概率分布数值之间的各第一交叉损失函数，比如确定y_i和y_p之间的交叉损失函数Loss_1(即第一交叉损失函数)；接着，确定第二概率值与概率分布数值之间的第二交叉损失函数，比如确定y_d和y_p之间的交叉损失函数Loss_2(即第二交叉损失函数)；接着，计算各第一交叉损失函数与第二交叉损失函数之间的函数和，并将函数和确定联合损失函数，比如计算Loss_1与Loss_2之间的函数和，即对Loss_1与Loss_2进行相加求和，并将计算得到的函数和作为联合损失函数。

其中，在通过惩罚联合损失函数来继续训练第一分类模型的过程中，可以采用惩罚联合损失函数的方式，继续训练第一分类模型，同时在训练的过程中，更新第一分类模型的网络参数，在更新第一分类模型的网络参数的过程中，同时更新概率分布数值y_p，使得最后得到的y_p无限接近图像3对应于预定图像类别A的概率值y_d(即第二概率值)。

需要说明的是，上述是以图像类别A及图像类别A中的图像3为例，对继续训练第一分类模型进行的介绍，当图像类别为多个或图像类别中包括多个图像时，针对各个图像类别中的各个图像均可以上述示例类似的处理过程，继续对第一分类模型进行训练，从而得到继续训练后的第二分类模型，此时第二分类模型的分类准确率已经得到大幅度提升，可以用来进行噪声样本图像的筛选与清理处理。

具体地，在得到继续训练后的第二分类模型后，可以通过该第二分类模型确定各预定图像类别中的各样本图像是否为噪声样本图像。其中，在通过第二分类模型确定某个预定图像类别(例如图像类别B)中的某个样本图像(例如图像B1)是否为噪声样本图像时，可以通过第二分类模型判断图像B1的目标图像类别与图像类别B是否相同，来确定图像B1是否为噪声样本图像。当图像B1的目标图像类别与图像类别B相同时，可以判定图像B1不是噪声样本图像，当图像B1的目标图像类别与图像类别B不相同时，可以判定图像B1是噪声样本图像。

图2为本公开又一实施例提供的一种样本图像处理装置的结构示意图，如图2所示，该装置200可以包括获取模块201、第一确定模块202与第二确定模块203，其中：

获取模块201，用于获取预定数量的属于预定图像类别的样本图像；

第一确定模块202，用于确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

第二确定模块203，用于针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

在一种可能的实现方式中，第二确定模块在基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，用于确定每一样本图像的目标图像类别与预定图像类别是否相同，以及当目标图像类别与预定图像类别不相同，则确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，还包括第三确定模块；

第三确定模块，用于确定各样本图像对应于各自对应的目标图像类别的参考信息，参考信息包括置信度值或第一概率值；

第二确定模块具体用于基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，当参考信息包括置信度值时，第二确定模块在基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像时，具体用于：

确定每一样本图像的目标图像类别与预定图像类别是否相同；

若目标图像类别与预定图像类别不相同，确定置信度值是否大于或等于预定阈值；

若置信度值大于或等于预定阈值，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，第一确定模块与第二确定模块是通过初步训练后的第一分类模型实现的；

当参考信息包括第一概率值时，该装置还包括训练模块，训练模块用于根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，并通过惩罚联合损失函数的方式，继续训练第一分类模型，直至第一分类模型满足预定条件，得到训练后的第二分类模型；

第二确定模块在基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，用于通过第二分类模型确定每一样本图像的图像类别与预定图像类别不相同时，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，训练模块在根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数时，用于：

根据第二概率值与预定常数，通过归一化指数函数，得到相应的概率分布数值；

确定各第一概率值与概率分布数值之间的各第一交叉损失函数；

确定第二概率值与概率分布数值之间的第二交叉损失函数；

计算各第一交叉损失函数与第二交叉损失函数的函数和，并将函数和确定为联合损失函数。

在一种可能的实现方式中，训练模块在通过惩罚联合损失函数的方式，继续训练第一分类模型时，用于通过惩罚联合损失函数的方式，更新第一分类模型的网络参数与概率分布数值，以使得概率分布数值靠近第二概率值。

本公开实施例提供的装置，确定预定图像类别中的各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别，使得可以根据各样本图像的各图像特征，重新确定各样本图像实际对应的图像类别，为后续滤除噪声样本图像提供前提保障；针对每一样本图像，可以根据预定图像类别与目标图像类别，快速、准确地确定预定图像类别中的噪声样本图像，并对噪声样本图像进行滤除处理，使得不仅能够高效地对每种预定图像类别中的噪声样本图像进行筛选与清理，极大减少筛选图像噪声样本图像所耗费的人力成本，而且利于训练基于卷积神经网络的分类模型，便于提高分类模型的分类准确性。

需要说明的是，本实施例为与上述的方法项实施例相对应的装置项实施例，本实施例可与上述方法项实施例互相配合实施。上述方法项实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述方法项实施例中。

下面参考图3，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

电子设备包括存储器以及处理器，其中，这里的处理器可以称为下方所述的处理装置301，存储器包括下文中的只读存储器(ROM)302、随机访问存储器(RAM)303以及存储装置308中的至少一项，具体如下所示：

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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。在本公开中，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。而在本公开中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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电子设备执行时，使得该电子设备：获取预定数量的属于预定图像类别的样本图像；接着，确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；接着，针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

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公开的操作的计算机程序代码，上述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，图示了按照本公开各种实施例的系统、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。

描述于本公开实施例中所涉及到的模块或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。其中，模块或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，获取模块还可以被描述为“检测到发生预定直播事件时，获取预定直播事件对应的至少一种事件处理方式的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种样本图像处理方法，包括：

获取预定数量的属于预定图像类别的样本图像；

确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

在一种可能的实现方式中，基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像，包括：

确定每一样本图像的目标图像类别与预定图像类别是否相同；

若目标图像类别与预定图像类别不相同，则确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，在确定各样本图像分别对应的目标图像类别之后，还包括：

确定各样本图像对应于各自对应的目标图像类别的参考信息，参考信息包括置信度值或第一概率值；

基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像，包括：

基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，当参考信息包括置信度值时，基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像，包括：

确定每一样本图像的目标图像类别与预定图像类别是否相同；

若目标图像类别与预定图像类别不相同，确定置信度值是否大于或等于预定阈值；

若置信度值大于或等于预定阈值，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，确定各样本图像分别对应的各图像特征，根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别和各样本图像对应于各自对应的目标图像类别的参考信息是通过初步训练后的第一分类模型实现的；

当参考信息包括第一概率值时，在基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像之前，还包括：

根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，并通过惩罚联合损失函数的方式，继续训练第一分类模型，直至第一分类模型满足预定条件，得到训练后的第二分类模型；

基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像，包括：

通过第二分类模型确定每一样本图像的图像类别与预定图像类别不相同时，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，包括：

根据第二概率值与预定常数，通过归一化指数函数，得到相应的概率分布数值；

确定各第一概率值与概率分布数值之间的各第一交叉损失函数；

确定第二概率值与概率分布数值之间的第二交叉损失函数；

计算各第一交叉损失函数与第二交叉损失函数的函数和，并将函数和确定为联合损失函数。

在一种可能的实现方式中，通过惩罚联合损失函数的方式，继续训练第一分类模型，包括：

通过惩罚联合损失函数的方式，更新第一分类模型的网络参数与概率分布数值，以使得概率分布数值靠近第二概率值。

根据本公开的一个或多个实施例，提供了一种样本图像处理装置，包括：

获取模块，用于获取预定数量的属于预定图像类别的样本图像；

第一确定模块，用于确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

第二确定模块，用于针对每一样本图像，当基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，滤除每一样本图像。

在一种可能的实现方式中，第二确定模块在基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，用于确定每一样本图像的目标图像类别与预定图像类别是否相同，以及当目标图像类别与预定图像类别不相同，则确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，还包括第三确定模块；

第三确定模块，用于确定各样本图像对应于各自对应的目标图像类别的参考信息，参考信息包括置信度值或第一概率值；

第二确定模块具体用于基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，当参考信息包括置信度值时，第二确定模块在基于预定图像类别、每一样本图像的目标图像类别与每一样本图像对应于目标图像类别的参考信息，确定每一样本图像为噪声样本图像时，具体用于：

确定每一样本图像的目标图像类别与预定图像类别是否相同；

若目标图像类别与预定图像类别不相同，确定置信度值是否大于或等于预定阈值；

若置信度值大于或等于预定阈值，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，第一确定模块与第二确定模块是通过初步训练后的第一分类模型实现的；

当参考信息包括第一概率值时，该装置还包括训练模块，训练模块用于根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，并通过惩罚联合损失函数的方式，继续训练第一分类模型，直至第一分类模型满足预定条件，得到训练后的第二分类模型；

第二确定模块在基于预定图像类别与每一样本图像的目标图像类别，确定每一样本图像为噪声样本图像时，用于通过第二分类模型确定每一样本图像的图像类别与预定图像类别不相同时，确定每一样本图像为噪声样本图像。

在一种可能的实现方式中，训练模块在根据各样本图像对应于各自对应的目标图像类别的第一概率值和各样本图像对应于预定图像类别的第二概率值，确定联合损失函数时，用于：

根据第二概率值与预定常数，通过归一化指数函数，得到相应的概率分布数值；

确定各第一概率值与概率分布数值之间的各第一交叉损失函数；

确定第二概率值与概率分布数值之间的第二交叉损失函数；

计算各第一交叉损失函数与第二交叉损失函数的函数和，并将函数和确定为联合损失函数。

在一种可能的实现方式中，训练模块在通过惩罚联合损失函数的方式，继续训练第一分类模型时，用于通过惩罚联合损失函数的方式，更新第一分类模型的网络参数与概率分布数值，以使得概率分布数值靠近第二概率值。

以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种样本图像处理方法，其特征在于，包括：

获取预定数量的属于预定图像类别的样本图像；

确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

针对每一样本图像，当基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像时，滤除所述每一样本图像。

2.根据权利要求1所述的方法，其特征在于，基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像，包括：

确定所述每一样本图像的目标图像类别与所述预定图像类别是否相同；

若所述目标图像类别与所述预定图像类别不相同，则确定所述每一样本图像为噪声样本图像。

3.根据权利要求1所述的方法，其特征在于，在确定各样本图像分别对应的目标图像类别之后，还包括：

确定各样本图像对应于各自对应的目标图像类别的参考信息，所述参考信息包括置信度值或第一概率值；

基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像，包括：

基于所述预定图像类别、所述每一样本图像的目标图像类别与所述每一样本图像对应于目标图像类别的参考信息，确定所述每一样本图像为噪声样本图像。

4.根据权利要求3所述的方法，其特征在于，当所述参考信息包括置信度值时，基于所述预定图像类别、所述每一样本图像的目标图像类别与所述每一样本图像对应于目标图像类别的参考信息，确定所述每一样本图像为噪声样本图像，包括：

确定所述每一样本图像的目标图像类别与所述预定图像类别是否相同；

若所述目标图像类别与所述预定图像类别不相同，确定所述置信度值是否大于或等于预定阈值；

若所述置信度值大于或等于预定阈值，确定所述每一样本图像为噪声样本图像。

5.根据权利要求3所述的方法，其特征在于，所述确定各样本图像分别对应的各图像特征，根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别和各样本图像对应于各自对应的目标图像类别的参考信息是通过初步训练后的第一分类模型实现的；

当所述参考信息包括第一概率值时，在基于所述预定图像类别、所述每一样本图像的目标图像类别与所述每一样本图像对应于目标图像类别的参考信息，确定所述每一样本图像为噪声样本图像之前，还包括：

根据所述各样本图像对应于各自对应的目标图像类别的第一概率值和所述各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，并通过惩罚联合损失函数的方式，继续训练所述第一分类模型，直至所述第一分类模型满足预定条件，得到训练后的第二分类模型；

所述基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像，包括：

通过所述第二分类模型确定所述每一样本图像的图像类别与所述预定图像类别不相同时，确定所述每一样本图像为噪声样本图像。

6.根据权利要求5所述的方法，其特征在于，根据所述各样本图像对应于各自对应的目标图像类别的第一概率值和所述各样本图像对应于预定图像类别的第二概率值，确定联合损失函数，包括：

根据所述第二概率值与预定常数，通过归一化指数函数，得到相应的概率分布数值；

确定各第一概率值与所述概率分布数值之间的各第一交叉损失函数；

确定所述第二概率值与所述概率分布数值之间的第二交叉损失函数；

计算所述各第一交叉损失函数与所述第二交叉损失函数的函数和，并将所述函数和确定为所述联合损失函数。

7.根据权利要求6所述的方法，其特征在于，通过惩罚联合损失函数的方式，继续训练所述第一分类模型，包括：

通过惩罚联合损失函数的方式，更新所述第一分类模型的网络参数与所述概率分布数值，以使得所述概率分布数值靠近所述第二概率值。

8.一种样本图像处理装置，其特征在于，包括：

获取模块，用于获取预定数量的属于预定图像类别的样本图像；

第一确定模块，用于确定各样本图像分别对应的各图像特征，并根据各样本图像分别对应的各图像特征，确定各样本图像分别对应的目标图像类别；

第二确定模块，用于针对每一样本图像，当基于所述预定图像类别与所述每一样本图像的目标图像类别，确定所述每一样本图像为噪声样本图像时，滤除所述每一样本图像。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该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。

Images