CN111428806B - 图像标签确定方法、装置、电子设备及存储介质 - Google Patents

图像标签确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111428806B
CN111428806B CN202010258265.7A CN202010258265A CN111428806B CN 111428806 B CN111428806 B CN 111428806B CN 202010258265 A CN202010258265 A CN 202010258265A CN 111428806 B CN111428806 B CN 111428806B
Authority
CN
China
Prior art keywords
prediction
image
probability
target
accuracy
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
Application number
CN202010258265.7A
Other languages
English (en)
Other versions
CN111428806A (zh
Inventor
张志伟
王希爱
郑仲奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202010258265.7A priority Critical patent/CN111428806B/zh
Publication of CN111428806A publication Critical patent/CN111428806A/zh
Application granted granted Critical
Publication of CN111428806B publication Critical patent/CN111428806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Abstract

本公开关于一种图像标签确定方法、装置、电子设备及存储介质。该图像标签确定方法包括：将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；对至少一个预测结果进行筛选，确定出至少一个目标预测结果；对至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为目标图像的标签。其中，对至少一个目标预测结果进行多重校验，根据多重校验结果来确定图像的标签，能够避免应用单一模型进行标签确定的不确定性，提高真实场景中对目标图像的标签进行识别的精度。

Description

图像标签确定方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及一种图像标签确定方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的不断发展，近年来人工智能技术在视频图像、语音识别、自然语言处理等相关领域得到了广泛应用，其在视觉目标检测、分类识别任务中的精度大幅提升。传统技术中，通常采用一个训练好的图像识别模型对一个场景中的目标进行识别，并将识别后的目标打上相应的标签。
然而，真实场景中的目标识别往往会存在各种的不确定因素，无论是何种模型，往往都很难满足不同真实场景下的目标识别的精度要求，因此，应用单一模型均可能造成标签识别精度低的问题。
发明内容
本公开提供一种图像标签确定方法、装置、电子设备及存储介质，以至少解决相关技术中应用单一模型造成的标签识别精度低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种图像标签确定方法，包括：
将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，所述预测结果包括所述目标图像对应的预测标签和预测概率；
对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果；
对所述至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；
将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为所述目标图像的标签。
在一示例性实施例中，所述对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果，之前包括：
获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；
根据预设的第一准确率和所述对应关系，确定出概率阈值；其中，所述第一准确率为将所述图像预测标签确定为所述目标图像的标签的最小准确率。
在一示例性实施例中，所述获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系，包括：
将预设的图像数据集输入所述至少一个图像标签预测模型，得到所述对应关系。
在一示例性实施例中，所述对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果，包括：
检测所述至少一个预测结果中的至少一个预测概率与所述概率阈值之间的大小关系；
若所述至少一个预测概率中存在大于或等于所述概率阈值的值，则将大于或等于所述概率阈值的预测概率对应的预测结果，确定为所述目标预测结果；
若所述至少一个预测概率中不存在大于或等于所述概率阈值的值，则根据预设的校验规则，从所述至少一个预测结果中确定出所述至少一个目标预测结果。
在一示例性实施例中，所述根据预设的校验规则，从所述至少一个预测结果中确定出所述至少一个目标预测结果，包括：
根据所述对应关系和所述至少一个预测结果，确定出至少一个预测准确率；
由大到小对所述至少一个预测准确率进行排序；
根据排序后的至少一个预测准确率、所述第一准确率和为每一模型预设的第二准确率，对所述至少一个预测结果进行筛选，得到所述至少一个目标预测结果；其中，所述第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。
在一示例性实施例中，所述对所述至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签，包括：
对所述至少一个目标预测结果对应的预测概率进行与处理，得到所述图像校验预测概率；
将所述至少一个目标预测结果对应的预测标签确定为对应的图像校验预测标签。
在一示例性实施例中，所述将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为所述目标图像的标签，包括：
检测所述图像校验预测概率与所述概率阈值之间的大小关系；
若所述图像校验预测概率大于或等于所述概率阈值，则将对应的图像校验预测标签确定为所述目标图像的标签。
根据本公开实施例的第二方面，提供一种图像标签确定装置，包括：
预测结果获取单元，被配置为执行将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，所述预测结果包括所述目标图像对应的预测标签和预测概率；
预测结果筛选单元，被配置为执行对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果；
预测结果校验单元，被配置为执行对所述至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；
图像标签确定单元，被配置为执行将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为所述目标图像的标签。
在一示例性实施例中，所述图像标签确定装置还包括概率阈值确定单元，被配置为执行：
获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；
根据预设的第一准确率和所述对应关系，确定出概率阈值；其中，所述第一准确率为将所述图像预测标签确定为所述目标图像的标签的最小准确率。
在一示例性实施例中，所述概率阈值确定单元还被配置为执行：
将预设的图像数据集输入所述至少一个图像标签预测模型，得到所述对应关系。
在一示例性实施例中，所述预测结果筛选单元还被配置为执行：
检测所述至少一个预测结果中的至少一个预测概率与所述概率阈值之间的大小关系；
若所述至少一个预测概率中存在大于或等于所述概率阈值的值，则将大于或等于所述概率阈值的预测概率对应的预测结果，确定为所述目标预测结果；
若所述至少一个预测概率中不存在大于或等于所述概率阈值的值，则根据预设的校验规则，从所述至少一个预测结果中确定出所述至少一个目标预测结果。
在一示例性实施例中，所述预测结果筛选单元还被配置为执行：
根据所述对应关系和所述至少一个预测结果，确定出至少一个预测准确率；
由大到小对所述至少一个预测准确率进行排序；
根据排序后的至少一个预测准确率、所述第一准确率和为每一模型预设的第二准确率，对所述至少一个预测结果进行筛选，得到所述至少一个目标预测结果；其中，所述第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。
在一示例性实施例中，所述预测结果校验单元还被配置为执行：
对所述至少一个目标预测结果对应的预测概率进行与处理，得到所述图像校验预测概率；
将所述至少一个目标预测结果对应的预测标签确定为对应的图像校验预测标签。
在一示例性实施例中，所述图像标签确定单元还被配置为执行：
检测所述图像校验预测概率与所述概率阈值之间的大小关系；
若所述图像校验预测概率大于或等于所述概率阈值，则将对应的图像校验预测标签确定为所述目标图像的标签。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现上述第一方面任一项实施例中所述的图像标签确定方法。
根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面任一项实施例中所述的图像标签确定方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述第一方面任一项实施例中所述的图像标签确定方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，预测结果包括目标图像对应的预测标签和预测概率；对至少一个预测结果进行筛选，确定出至少一个目标预测结果；对至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为目标图像的标签。其中，在至少一个图像标签预测模型对应的至少一个目标预测结果的基础上，对至少一个预测结果进行筛选，确定出至少一个目标预测结果，并对至少一个目标预测结果进行多重校验，根据多重校验结果来确定图像的标签，能够避免应用单一模型进行标签确定的不确定性，提高真实场景中对目标图像的标签进行识别的精度。
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例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像标签确定方法的流程图。
图2是根据一示例性实施例示出的步骤S200的一种可实施方式的流程图。
图3是根据一示例性实施例示出的步骤S230的一种可实施方式的流程图。
图4是根据一示例性实施例示出的步骤S300的一种可实施方式的流程图。
图5是根据一示例性实施例示出的一种图像标签确定装置的框图。
图6是根据一示例性实施例示出的一种用于图像标签确定的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像标签确定方法的流程图，如图1所示，包括以下步骤：
在步骤S100中，将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，预测结果包括目标图像对应的预测标签和预测概率。
在步骤S200中，对至少一个预测结果进行筛选，确定出至少一个目标预测结果。
在步骤S300中，对至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签。
在步骤S400中，将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为目标图像的标签。
其中，目标图像指需要进行图像目标识别并对识别到的目标打标签的图像，该目标图像可以是独立的图像，也可以是从视频中截取的图像。图像标签预测模型是指用于进行目标识别并对相应目标的标签进行确定的模型，具体地，图像标签预测模型可以是文本分类器modeltext、视觉分类器modelvisual、多模态分类器modelcross-mode等。预测标签是指图像标签预测模型检测到的目标的类型或类别。预测概率是指一个图像标签预测模型将图像中的一个目标确定为某一类型或类别的概率，其中，每一模型的每一预测概率还会对应一个准确率。例如，当图像标签预测模型为识别目标物体的二分类器时，当图像标签预测模型将一个目标图像中的目标确定为某一特定物体的概率为0.9时，对应的准确率为95％，该图像标签预测模型将一个目标图像中的目标确定为某一特定物体的概率为0.8时，对应的准确率为70％。需要说明的是，在具体应用过程中，不一定将概率2段切分，例如，对于一个有n个模型的族算法，当目标图像为视频中的图像或者够识别速度的图像是，以速度标签的确定为例，可以用m1个模型确定第1段的速度，用m2个模型确定第2段的速度，以此类推，用mn个模型确定第n段的速度。
具体地，将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果，若某一预测结果中的预测概率或与预测概率对应的准确率满足给定的要求，则直接将该预测结果中的预测标签确定为目标图像的标签。例如，一个图像标签预测模型将一个目标图像中的目标确定为某一特定物体的概率为0.9时，对应的准确率为95％，该图像标签预测模型将一个目标图像中的目标确定为某一特定物体的概率为0.8时，对应的准确率为70％；此时，若需要的准确率为大于90％时，则无法将准确率为70％概率为0.8对应预测标签确定为目标图像的标签。然而，0.8概率值对应的目标图像中的目标也可能是预测标签对应的目标，直接剔除这部分数据，会影响相应图像标签预测模型对标签进行确定的精度。因此，若预测结果中的预测概率或与预测概率对应的准确率不满足给定的要求时，需要对至少一个预测结果进行进一步筛选，然后对筛选得到的至少一个目标预测结果进行进一步校验，并根据校验得到的到校验预测概率和对应的校验预测标签，进一步判断目标图像的标签，并将满足预设条件的校验预测概率对应的校验预测标签，确定为目标图像的标签。
上述图像标签确定方法，将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，预测结果包括目标图像对应的预测标签和预测概率；对至少一个预测结果进行筛选，确定出至少一个目标预测结果；对至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为目标图像的标签。其中，在至少一个图像标签预测模型对应的至少一个目标预测结果的基础上，对至少一个预测结果进行筛选，确定出至少一个目标预测结果，并对至少一个目标预测结果进行多重校验，根据多重校验结果来确定图像的标签，能够避免应用单一模型进行标签确定的不确定性，提高真实场景中对目标图像的标签进行识别的精度。
在一示例性实施例中，为步骤S200之前的一种可实施方式，其中，对至少一个预测结果进行筛选，确定出至少一个目标预测结果，之前包括：
获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；根据预设的第一准确率和对应关系，确定出概率阈值；其中，第一准确率为将图像预测标签确定为目标图像的标签的最小准确率。
其中，第一准确率为基于给定标签，需要满足的最小准确率。第一准确率的大小根据具体的情况而定，并不固定，以对目标图像中的目标进行识别为例进行说明，要识别的为一张图片中的目标A、目标B和目标C三个目标。其中，目标A较为重要，对准确率的要求较高，目标A对应的第一准确率为90％；而目标B的重要性相对较低，对准确率的要求也低一些，目标B对应的第一准确率为80％；目标C的重要性最低，对准确率的要求最低，目标C对应的第一准确率70％。上述目标A、目标B和目标C仅为示例性说明，具体实施过程中可以有更多或更少的目标，此处不对目标的数量和重要性进行限定。
具体地，每一图像标签预测模型检测得到的预测标签在各预测概率处与预测准确率存在着一个对应关系，在得到预设的第一准确率(最小准确率)后，可以根据图像预测概率和图像预测准确率之间的对应关系，确定出对预测概率的要求，得到相应图像标签预测模型的预测结果应当满足的概率阈值。
可选地，将预设的图像数据集输入至少一个图像标签预测模型，得到上述对应关系。
其中，图像数据集traindata为大量的包括各种特定的标签的图像集合，可以分别使用文本分类器modeltext、视觉分类器modelvisual、多模态分类器modelcross-mode对图像数据集traindata进行建模训练模型。其中，视觉分类器中的图像分类器可以用InceptionV3、ResNet152进行训练，文本分类器可以使用bert或者FastText进行训练。
具体地，将图像数据集traindata输入至少一个图像标签预测模型，可以得到相应特定标签对应的预测概率，根据不同的预测概率对应的数据量，统计各个图像标签预测模型在每一个预测概率值下，对应的预测准确率，并将相应预测概率和预测准确率之间的对应关系确定为图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系。
上述示例性实施例，获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；根据预设的第一准确率和对应关系，确定出概率阈值，为后续根据概率阈值进行标签的确定提供基础，使得最终能够得到满足第一准确率要求的标签。
图2是根据一示例性实施例示出的步骤S200的一种可实施方式的流程图，如图2所示，对至少一个预测结果进行筛选，确定出至少一个目标预测结果，包括以下步骤：
在步骤S210中，检测至少一个预测结果中的至少一个预测概率与概率阈值之间的大小关系。
在步骤S220中，若至少一个预测概率中存在大于或等于概率阈值的值，则将大于或等于概率阈值的预测概率对应的预测结果，确定为目标预测结果。
在步骤S230中，若至少一个预测概率中不存在大于或等于概率阈值的值，则根据预设的校验规则，从至少一个预测结果中确定出至少一个目标预测结果。
具体地，在根据第一准确率确定出概率阈值后，为了得到满足第一准确率(最小准确率)要求的标签，需要比较至少一个预测结果对应的预测概率与根据第一准确率得到的概率阈值之间的大小关系，若至少一个预测概率中存在大于或等于概率阈值的值，则直接将大于或等于概率阈值的预测概率对应的预测结果，确定为目标预测结果，并最终根据该目标预测结果确定出目标图像的标签。若至少一个预测概率中不存在大于或等于概率阈值的值，说明上述至少一个预测结果均不满足第一准确率(最小准确率)的要求，不能直接根据上述至少一个目标预测结果确定出目标图像的标签。然而，上述至少一个预测概率对应的目标图像中仍然可能存在满足要求的预测结果，直接剔除这部分数据，会出现数据召回不足的情况，也会影响相应图像标签预测模型对标签进行确定的精度。因此，若至少一个预测概率中不存在大于或等于概率阈值的值，需要对至少一个预测结果进行进一步筛选，然后对筛选出的至少一个目标预测结果进行进一步校验，并根据校验得到的到校验预测概率和对应的校验预测标签，进一步判断目标图像的标签，并将满足预设条件的校验预测概率对应的校验预测标签，确定为目标图像的标签。
上述示例性实施例，检测至少一个预测结果中的至少一个预测概率与概率阈值之间的大小关系；若至少一个预测概率中存在大于或等于概率阈值的值，则将大于或等于概率阈值的预测概率对应的预测结果，确定为目标预测结果；若至少一个预测概率中不存在大于或等于概率阈值的值，则根据预设的校验规则，从至少一个预测结果中确定出至少一个目标预测结果。从而在至少一个预测结果均不满足最小准确率的要求时，对至少一个预测结果进行筛选，得到至少一个目标预测结果，为后续在至少一个目标预测结果的基础上进行进一步的标签确定提供基础，避免数据召回不足的情况，提高标签的识别精度。
图3是根据一示例性实施例示出的步骤S230的一种可实施方式的流程图，如图3所示，根据预设的校验规则，从至少一个预测结果中确定出至少一个目标预测结果，包括以下步骤：
在步骤S231中，根据对应关系和至少一个预测结果，确定出至少一个预测准确率。
在步骤S232中，由大到小对至少一个预测准确率进行排序。
在步骤S233中，根据排序后的至少一个预测准确率、第一准确率和为每一模型预设的第二准确率，对至少一个预测结果进行筛选，得到至少一个目标预测结果。其中，第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。
其中，由于最终确定的至少一个目标预测结果是用于进行校验的，而多重校验后的准确率必须大于预设的第一准确率(需要的最小准确率)，为使多重校验后的准确率大于预设的第一准确率(需要的最小准确率)，每一模型对应的第二准确率和多重校验的重数应该满足公式(1)的要求，具体公式(1)为：
1-(1-aCCn)n≥thresprob (1)
其中，accn为第二准确率，thresprob为第一准确率，n为至少一个目标预测结果的数量，(1-accn)n为(1-acc1)(1-acc2)…(1-accn)的乘积，为了简化运算，将(1-acc1)(1-acc2)…(1-accn)看作(1-accn)n。
由公式(1)推导，得到公式(2)：
具体地，至少一个预测结果中包含着每一图像标签预测模型对应的预测概率，根据每一图像标签预测模型对应的预测概率和预测结果对应关系，可确定出每一图像标签预测模型对应的至少一个预测准确率，接着，由大到小对至少一个预测准确率进行排序，并根据为每一图像标签预测模型预设的第二准确率、公式(2)以及每一图像标签预测模型对应的预测结果对应关系，确定出满足相应要求的最小的n对应的确切数值，以及确定出对应的预测结果，并将得到的n个预测结果确定为至少一个目标预测结果。
其中，当n＝1时，对应着“若至少一个预测概率中存在大于或等于概率阈值的值，则将大于或等于概率阈值的预测概率对应的预测结果，确定为目标预测结果”的情况，可以看作是“若至少一个预测概率中不存在大于或等于概率阈值的值，则根据预设的校验规则，从至少一个预测结果中确定出至少一个目标预测结果”的一种特殊情况。
上述示例性实施例，根据对应关系和至少一个预测结果，确定出至少一个预测准确率；由大到小对至少一个预测准确率进行排序；根据排序后的至少一个预测准确率、第一准确率和为每一模型预设的第二准确率，对至少一个预测结果进行筛选，得到至少一个目标预测结果；其中，第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。从而在至少一个预测结果均不满足最小准确率的要求时，对至少一个预测结果进行筛选，得到至少一个目标预测结果，为后续在至少一个目标预测结果的基础上进行进一步的标签确定提供数据基础，避免数据召回不足的情况，提高标签的识别精度。
图4是根据一示例性实施例示出的步骤S300的一种可实施方式的流程图，如图4所示，对至少一个目标预测结果进行校验，得到校验预测概率和对应的校验预测标签，包括以下步骤：
在步骤S310中，对至少一个目标预测结果对应的预测概率进行与处理，得到图像校验预测概率。
在步骤S320中，将至少一个目标预测结果对应的预测标签确定为对应的图像校验预测标签。
具体地，根据公式(1)对至少一个目标预测结果对应的预测概率进行与处理，得到校验预测概率1-(1-accn)n，并将至少一个目标预测结果对应的标签确定为对应的校验预测标签。其中，当n＝1时，1-(1-accn)n为acc1。
上述示例性实施例，为后续根据校验预测概率和预设条件确定目标图像的标签提供数据基础，避免数据召回不足的情况，提高标签的识别精度。
在一示例性实施例中，为步骤S400的一种可实施方式，将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为目标图像的标签，包括：
检测图像校验预测概率与概率阈值之间的大小关系；若图像校验预测概率大于或等于概率阈值，则将对应的图像校验预测标签确定为目标图像的标签。
具体地，将根据公式(1)得到的校验预测概率与根据第一准确率确定出的概率阈值进行比较，当校验预测概率大于或等于概率阈值时，认为公式(1)中对应的每一个模型均判定相应标签为目标图像的标签，且其综合概率大于或等于根据第一准确率确定出的概率阈值，此时可将校验预测标签确定为目标图像的标签。
其中，当n＝1时，公式(1)为acc1≥thresprob，可以看作是至少一个目标预测结果进行校验的特殊情况，可直接将“若至少一个预测概率中存在大于或等于概率阈值的值，则将大于或等于概率阈值的预测概率对应的预测结果，确定为目标预测结果”得到的目标预测结果对应的标签确定为目标图像的标签。
上述示例性实施例，通过检测图像校验预测概率与概率阈值之间的大小关系；若图像校验预测概率大于或等于概率阈值，则将对应的图像校验预测标签确定为目标图像的标签。可以在多个模型对应的至少一个目标预测结果的基础上，对至少一个目标预测结果进行多重校验，根据多重校验结果来确定图像的标签，能够避免应用单一模型进行标签确定的不确定性，提高真实场景中对目标图像的标签进行识别的精度。
应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图5是根据一示例性实施例示出的一种图像标签确定装置框图。参照图5，该图像标签确定装置包括预测结果获取单元501、预测结果筛选单元502、预测结果校验单元503、图像标签确定单元504。
预测结果获取单元501，被配置为执行将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，预测结果包括目标图像对应的预测标签和预测概率；
预测结果筛选单元502，被配置为执行对至少一个预测结果进行筛选，确定出至少一个目标预测结果；
预测结果校验单元503，被配置为执行对至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；
图像标签确定单元504，被配置为执行将满足预设条件的图像校验预测概率对应的图像校验预测标签，确定为目标图像的标签。
在一示例性实施例中，图像标签确定装置还包括概率阈值确定单元，被配置为执行：获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；根据预设的第一准确率和对应关系，确定出概率阈值；其中，第一准确率为将图像预测标签确定为目标图像的标签的最小准确率。
在一示例性实施例中，概率阈值确定单元还被配置为执行：将预设的图像数据集输入至少一个图像标签预测模型，得到对应关系。
在一示例性实施例中，预测结果筛选单元502还被配置为执行：检测至少一个预测结果中的至少一个预测概率与概率阈值之间的大小关系；若至少一个预测概率中存在大于或等于概率阈值的值，则将大于或等于概率阈值的预测概率对应的预测结果，确定为目标预测结果；若至少一个预测概率中不存在大于或等于概率阈值的值，则根据预设的校验规则，从至少一个预测结果中确定出至少一个目标预测结果。
在一示例性实施例中，预测结果筛选单元502还被配置为执行：根据对应关系和至少一个预测结果，确定出至少一个预测准确率；由大到小对至少一个预测准确率进行排序；根据排序后的至少一个预测准确率、第一准确率和为每一模型预设的第二准确率，对至少一个预测结果进行筛选，得到至少一个目标预测结果；其中，第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。
在一示例性实施例中，预测结果校验单元503还被配置为执行：对至少一个目标预测结果对应的预测概率进行与处理，得到图像校验预测概率；将至少一个目标预测结果对应的预测标签确定为对应的图像校验预测标签。
在一示例性实施例中，图像标签确定单元504还被配置为执行：检测图像校验预测概率与概率阈值之间的大小关系；若图像校验预测概率大于或等于概率阈值，则将对应的图像校验预测标签确定为目标图像的标签。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种用于图像标签确定的电子设备600的框图。例如，设备600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，设备600可以包括以下一个或多个组件：处理组件602，存储器604，电力组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制设备600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在设备600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为设备600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当设备600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为设备600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如组件为设备600的显示器和小键盘，传感器组件614还可以检测设备600或设备600一个组件的位置改变，用户与设备600接触的存在或不存在，设备600方位或加速/减速和设备600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为便于设备600和其他设备之间有线或无线方式的通信。设备600可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件616还包括近场通信(NFC)模块，以促进短程通信。
在示例性实施例中，设备600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器604，上述指令可由设备600的处理器620执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
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它实施方案。本公开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。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
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制。

Claims (12)

1.一种图像标签确定方法，其特征在于，包括：
将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，所述预测结果包括所述目标图像对应的预测标签和预测概率；
对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果；
对所述至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；
检测所述图像校验预测概率与概率阈值之间的大小关系，若所述图像校验预测概率大于或等于所述概率阈值，则将对应的图像校验预测标签确定为所述目标图像的标签，其中，所述概率阈值为第一准确率对应的预测概率，所述第一准确率为将图像预测标签确定为目标图像的标签的最小准确率；
其中，所述对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果，包括：
检测所述至少一个预测结果中的至少一个预测概率与所述概率阈值之间的大小关系；
若所述至少一个预测概率中存在大于或等于所述概率阈值的值，则将大于或等于所述概率阈值的预测概率对应的预测结果，确定为所述目标预测结果；
若所述至少一个预测概率中不存在大于或等于所述概率阈值的值，则根据预设的校验规则，从所述至少一个预测结果中确定出所述至少一个目标预测结果。
2.根据权利要求1所述的图像标签确定方法，其特征在于，所述对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果，之前包括：
获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；
根据预设的第一准确率和所述对应关系，确定出概率阈值；其中，所述第一准确率为将所述图像预测标签确定为所述目标图像的标签的最小准确率。
3.根据权利要求2所述的图像标签确定方法，其特征在于，所述获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系，包括：
将预设的图像数据集输入所述至少一个图像标签预测模型，得到所述对应关系。
4.根据权利要求1所述的图像标签确定方法，其特征在于，所述根据预设的校验规则，从所述至少一个预测结果中确定出所述至少一个目标预测结果，包括：
根据对应关系和所述至少一个预测结果，确定出至少一个预测准确率；
由大到小对所述至少一个预测准确率进行排序；
根据排序后的至少一个预测准确率、所述第一准确率和为每一模型预设的第二准确率，对所述至少一个预测结果进行筛选，得到所述至少一个目标预测结果；其中，所述第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。
5.根据权利要求1所述的图像标签确定方法，其特征在于，所述对所述至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签，包括：
对所述至少一个目标预测结果对应的预测概率进行与处理，得到所述图像校验预测概率；
将所述至少一个目标预测结果对应的预测标签确定为对应的图像校验预测标签。
6.一种图像标签确定装置，其特征在于，包括：
预测结果获取单元，被配置为执行将目标图像输入预设的至少一个图像标签预测模型，得到至少一个预测结果；其中，所述预测结果包括所述目标图像对应的预测标签和预测概率；
预测结果筛选单元，被配置为执行对所述至少一个预测结果进行筛选，确定出至少一个目标预测结果；
预测结果校验单元，被配置为执行对所述至少一个目标预测结果中的预测概率进行校验，得到图像校验预测概率和对应的图像校验预测标签；
图像标签确定单元，被配置为执行检测所述图像校验预测概率与概率阈值之间的大小关系，若所述图像校验预测概率大于或等于所述概率阈值，则将对应的图像校验预测标签确定为所述目标图像的标签，其中，所述概率阈值为第一准确率对应的预测概率，所述第一准确率为将图像预测标签确定为目标图像的标签的最小准确率；
其中，所述预测结果筛选单元还被配置为执行：
检测所述至少一个预测结果中的至少一个预测概率与所述概率阈值之间的大小关系；
若所述至少一个预测概率中存在大于或等于所述概率阈值的值，则将大于或等于所述概率阈值的预测概率对应的预测结果，确定为所述目标预测结果；
若所述至少一个预测概率中不存在大于或等于所述概率阈值的值，则根据预设的校验规则，从所述至少一个预测结果中确定出所述至少一个目标预测结果。
7.根据权利要求6所述的图像标签确定装置，其特征在于，所述图像标签确定装置还包括概率阈值确定单元，被配置为执行：
获取每一图像标签预测模型的图像预测概率和图像预测准确率之间的对应关系；
根据预设的第一准确率和所述对应关系，确定出概率阈值；其中，所述第一准确率为将所述图像预测标签确定为所述目标图像的标签的最小准确率。
8.根据权利要求7所述的图像标签确定装置，其特征在于，所述概率阈值确定单元还被配置为执行：
将预设的图像数据集输入所述至少一个图像标签预测模型，得到所述对应关系。
9.根据权利要求6所述的图像标签确定装置，其特征在于，所述预测结果筛选单元还被配置为执行：
根据对应关系和所述至少一个预测结果，确定出至少一个预测准确率；
由大到小对所述至少一个预测准确率进行排序；
根据排序后的至少一个预测准确率、所述第一准确率和为每一模型预设的第二准确率，对所述至少一个预测结果进行筛选，得到所述至少一个目标预测结果；其中，所述第二准确率为每一预测结果中的图像预测标签需满足的最小准确率。
10.根据权利要求6所述的图像标签确定装置，其特征在于，所述预测结果校验单元还被配置为执行：
对所述至少一个目标预测结果对应的预测概率进行与处理，得到所述图像校验预测概率；
将所述至少一个目标预测结果对应的预测标签确定为对应的图像校验预测标签。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器;
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的图像标签确定方法。
12.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的图像标签确定方法。
CN202010258265.7A 2020-04-03 2020-04-03 图像标签确定方法、装置、电子设备及存储介质 Active CN111428806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010258265.7A CN111428806B (zh) 2020-04-03 2020-04-03 图像标签确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010258265.7A CN111428806B (zh) 2020-04-03 2020-04-03 图像标签确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111428806A CN111428806A (zh) 2020-07-17
CN111428806B true CN111428806B (zh) 2023-10-10

Family

ID=71557413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010258265.7A Active CN111428806B (zh) 2020-04-03 2020-04-03 图像标签确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111428806B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784391A (zh) * 2019-01-04 2019-05-21 杭州比智科技有限公司 基于多模型的样本标注方法及装置
WO2019101021A1 (zh) * 2017-11-23 2019-05-31 腾讯科技（深圳）有限公司 图像识别方法、装置及电子设备
CN109858476A (zh) * 2019-01-30 2019-06-07 中兴飞流信息科技有限公司 标签的扩充方法和电子设备
CN110222649A (zh) * 2019-06-10 2019-09-10 北京达佳互联信息技术有限公司 视频分类方法、装置、电子设备及存储介质
CN110738267A (zh) * 2019-10-18 2020-01-31 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019101021A1 (zh) * 2017-11-23 2019-05-31 腾讯科技（深圳）有限公司 图像识别方法、装置及电子设备
CN109784391A (zh) * 2019-01-04 2019-05-21 杭州比智科技有限公司 基于多模型的样本标注方法及装置
CN109858476A (zh) * 2019-01-30 2019-06-07 中兴飞流信息科技有限公司 标签的扩充方法和电子设备
CN110222649A (zh) * 2019-06-10 2019-09-10 北京达佳互联信息技术有限公司 视频分类方法、装置、电子设备及存储介质
CN110738267A (zh) * 2019-10-18 2020-01-31 北京达佳互联信息技术有限公司 图像分类方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111428806A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
US11455491B2 (en) Method and device for training image recognition model, and storage medium
CN109447125B (zh) 分类模型的处理方法、装置、电子设备及存储介质
CN111461304B (zh) 分类神经网络的训练方法、文本分类方法、装置及设备
CN105528403B (zh) 目标数据识别方法及装置
CN115100472B (zh) 展示对象识别模型的训练方法、装置和电子设备
CN110781323A (zh) 多媒体资源的标签确定方法、装置、电子设备及存储介质
CN114240882A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN109886211B (zh) 数据标注方法、装置、电子设备及存储介质
CN110764627B (zh) 一种输入方法、装置和电子设备
CN111046927B (zh) 标注数据的处理方法、装置、电子设备及存储介质
CN113920293A (zh) 信息识别方法、装置、电子设备及存储介质
CN111813932B (zh) 文本数据的处理方法、分类方法、装置及可读存储介质
CN113779257A (zh) 文本分类模型的解析方法、装置、设备、介质及产品
CN110738267B (zh) 图像分类方法、装置、电子设备及存储介质
CN112035651B (zh) 语句补全方法、装置及计算机可读存储介质
CN111047049B (zh) 基于机器学习模型处理多媒体数据的方法、装置及介质
CN112381091A (zh) 视频内容识别方法、装置、电子设备及存储介质
CN111079421A (zh) 一种文本信息分词处理的方法、装置、终端及存储介质
CN111428806B (zh) 图像标签确定方法、装置、电子设备及存储介质
CN113609380B (zh) 标签体系更新方法、搜索方法、装置以及电子设备
CN109711386B (zh) 获取识别模型的方法、装置、电子设备及存储介质
CN113807540A (zh) 一种数据处理方法及装置
CN112115740B (zh) 用于处理图像的方法和装置
CN112711643B (zh) 训练样本集获取方法及装置、电子设备、存储介质
CN113190725B (zh) 对象的推荐及模型训练方法和装置、设备、介质和产品

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