CN112926608A - 一种图像分类方法、装置、电子设备及存储介质 - Google Patents
一种图像分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112926608A CN112926608A CN201911234617.9A CN201911234617A CN112926608A CN 112926608 A CN112926608 A CN 112926608A CN 201911234617 A CN201911234617 A CN 201911234617A CN 112926608 A CN112926608 A CN 112926608A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- classified
- classification result
- primary
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (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
本发明实施例提供了一种图像分类方法、装置、电子设备及存储介质,所述方法包括:获取待分类图像;根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别;基于所述初级分类结果确定所述待分类图像的最终分类结果。由于根据图像分类需求预先设定预设处理规则,在进行图像分类时可以基于该预设处理规则选择多个图像分类模型进行处理,得到的初级分类结果更加准确,进而基于初级分类结果确定的待分类图像的最终分类结果的准确度也可以大大提高。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像分类方法、装置、电子设备及存储介质。
背景技术
图像分类即为对图像进行类别的识别,图像的类别可以根据多种不同的需求或者特点进行区分。图像分类在对图像进行管理等方面具有重要应用,例如,在短视频以及直播等领域,类型为涉黄等违反法律法规的图像为重点排查对象,对图像进行分类至关重要。
目前常用的图像分类方式为基于深度学习模型的图像分类技术,具体来说,首先使用大量标注了类别的图像样本,通过图像样本对图像分类模型进行训练,生成模型文件,通过加载该模型文件,输入图像分类模型一张图像后,该图像分类模型可以输出该图像的类别。
在上述图像分类方式中,由于通过一个图像分类模型得到的图像类别即为该图像的分类结果,得到的分类结果就是图像分类模型训练时标注的类别,很可能出现分类不准确的问题,准确度较低。
发明内容
本发明实施例的目的在于提供一种图像分类方法、装置、电子设备及存储介质,以提高图像分类的准确度。具体技术方案如下:
第一方面,本发明实施例提供了一种图像分类方法,所述方法包括:
获取待分类图像;
根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别;
基于所述初级分类结果确定所述待分类图像的最终分类结果。
可选的,所述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,包括:
将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
可选的,所述第一分类结果包括类别及置信度;
所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,包括:
确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
如果满足,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
可选的,当所述置信度及预设阈值的大小关系不满足预设条件时,所述方法还包括:
基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
可选的,在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤之前,所述方法还包括:
确定是否存在其他图像分类模型;
如果存在,返回所述确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件的步骤;
如果不存在,执行所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤。
可选的,所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,包括:
将所述待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果,其中,所述第二个图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
可选的,所述初级分类结果包括多种类别;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
获取所述多种类别对应的优先级;
将优先级最高的类别确定为所述待分类图像的最终分类结果。
第二方面,本发明实施例提供了一种图像分类装置,所述装置包括:
图像获取模块,用于获取待分类图像;
第一分类模块,用于根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别;
第二分类模块,用于基于所述初级分类结果确定所述待分类图像的最终分类结果。
可选的,所述第一分类模块包括:
第一分类单元,用于将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
第二分类单元,用于基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
可选的,所述第一分类结果包括类别及置信度;
所述第二分类单元包括:
条件确定子单元,用于确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
第二分类子单元,用于如果置信度及预设阈值的大小关系满足预设条件,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
第一初级结果确定子单元,用于基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
所述第二分类模块包括:
第一最终结果确定单元,用于将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
可选的,所述第二分类单元还包括:
第二初级结果确定子单元,用于当所述置信度及预设阈值的大小关系不满足预设条件时,基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
可选的,所述第二分类单元还包括:
分类模型确定子单元,用于在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果之前,确定是否存在其他图像分类模型;
第一触发子单元,用于如果存在其他图像分类模型,触发所述条件确定子单元;
第二触发子单元,用于如果不存在其他图像分类模型,触发所述第一初级结果确定子单元。
可选的,所述第二分类单元包括:
第二类别确定子单元,用于将所述待分类图像输入预先训练完成的第二图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果,其中,所述第二图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型;
所述第二分类模块包括:
第二最终结果确定单元,用于将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
可选的,所述初级分类结果包括多种类别;
所述第二分类模块包括:
优先级获取单元,用于获取所述多种类别对应的优先级;
第三最终结果确定单元,用于将优先级最高的类别确定为所述待分类图像的最终分类结果。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述第一方面任一所述的图像分类方法步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,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上述第一方面任一所述的图像分类方法步骤。
本发明实施例所提供的方案中,电子设备获取待分类图像,可以根据预设处理规则,将待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,预设处理规则为基于图像分类需求预先设定的,图像分类模型基于训练集预先训练完成,训练集包括图像样本以及每个图像样本对应的类别;进而基于初级分类结果确定待分类图像的最终分类结果。由于根据图像分类需求预先设定预设处理规则,在进行图像分类时可以基于该预设处理规则选择多个图像分类模型进行处理,得到的初级分类结果更加准确,进而基于初级分类结果确定的待分类图像的最终分类结果的准确度也可以大大提高。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种图像分类方法的流程图;
图2为图1所示实施例中步骤S102的一种具体流程图;
图3为图1所示实施例中步骤S102的另一种具体流程图;
图4为图1所示实施例中步骤S102的另一种具体流程图;
图5为图1所示实施例中步骤S103的一种具体流程图;
图6为本发明实施例所提供的一种图像分类装置的结构示意图;
图7为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。
为了提高图像分类的准确率,本发明实施例提供了一种图像分类方法、装置、电子设备及计算机可读存储介质。
下面首先对本发明实施例所提供的一种图像分类方法进行介绍。
本发明实施例所提供的一种图像分类方法可以应用于任意需要进行图像分类的电子设备,例如,可以为处理器、电脑等,在此不做具体限定。为了描述方便,以下称为电子设备。
如图1所示,一种图像分类方法,所述方法包括:
S101,获取待分类图像;
S102,根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果;
其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别。
S103,基于所述初级分类结果确定所述待分类图像的最终分类结果。
可见,本发明实施例所提供的方案中,电子设备获取待分类图像,可以根据预设处理规则,将待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,预设处理规则为基于图像分类需求预先设定的,图像分类模型基于训练集预先训练完成,训练集包括图像样本以及每个图像样本对应的类别;进而基于初级分类结果确定待分类图像的最终分类结果。由于根据图像分类需求预先设定预设处理规则,在进行图像分类时可以基于该预设处理规则选择多个图像分类模型进行处理,得到的初级分类结果更加准确,进而基于初级分类结果确定的待分类图像的最终分类结果的准确度也可以大大提高。
在上述步骤S101中,电子设备可以获取待分类图像,该待分类图像即为需要进行图像分类处理的图像。待分类图像可以为用户上传的视频中的图像,也可以是电子设备采集的图像,还可以是电子设备从其他设备获取的图像,这都是合理的,在此不做具体限定。
为了对待分类图像进行分类,电子设备可以根据预设处理规则,将待分类图像输入预先训练完成的多个图像分类模型,也就是执行上述步骤S102,通过该多个图像分类模型可以得到待处理图像的初级分类结果。
其中,预设处理规则为基于图像分类需求预先设定的。由于对于不同的应用场景来说,对于图像分类的需求很可能是不同的,例如,对于A场景来说,类别为a的图像是比较敏感的,那么便需要确定待分类图像是否为类别a;对于B场景来说,类别为b1的图像中涉及内容b2的图像是比较敏感的,那么便需要确定待分类图像的对应于两种不同的分类侧重点的类别。所以,为了方便且准确地对待分类图像进行分类,可以预先设置处理规则,也就是预设处理规则。
对于上述多个图像分类模型来说,其可以是基于训练集预先训练完成,该训练集可以包括图像样本以及每个图像样本对应的类别。图像分类模型可以为卷积神经网络、循环神经网络等深度学习模型,对于其具体结构本发明实施例不做具体限定。
在对图像分类模型进行训练时,可以将标注了类别的图像样本输入预先构建的初始分类模型中,初始分类模型可以基于当前模型参数对图像样本进行分类处理,输出分类结果,也就是图像样本的类别,进而,可以根据还图像样本的标注类别与输出的类别之间的差异度,调整初始分类模型的模型参数。
通过大量图像样本对初始分类模型进行训练,并不断调整模型参数,直到初始分类模型收敛,也就是,损失函数的值不再变化,或者,当图像样本迭代次数达到预设次数时,便可以停止训练,得到上述图像分类模型。其中,模型参数的调整方式可以采用梯度下降算法、随机梯度下降算法等,在此不做具体限定。
得到上述初级分类结果后,电子设备便可以执行上述步骤S103,即基于所述初级分类结果确定所述待分类图像的最终分类结果。由于图像分类需求不同,预设处理规则也可能不同,电子设备可以根据不同的图像分类需求及预设处理规则,确定待分类图像的最终分类结果。
作为本发明实施例的一种实施方式,上述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,可以包括:
将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
首先电子设备可以将待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果。由于是否需要利用更多的图像分类模型对待处理图像进行分类处理,以及需要何种图像分类模型继续对待处理图像进行分类处理均可能与第一分类结果有关,所以,电子设备可以基于该第一分类结果及预设处理规则,将待分类图像输入预先训练完成的其他图像分类模型继续进行分类处理,进而得到初级分类结果。
作为本发明实施例的一种实施方式,如图2所示,上述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,可以包括:
S201,将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
其中,第一分类结果可以包括类别及置信度,也就是说,第一个图像分类模型在输出图像的类别的同时还可以输出置信度,该置信度用于表示第一个图像分类模型输出的类别的准确度,例如,可能为0.88、0.9、0.95等。
这样,电子设备将待分类图像输入预先训练完成的第一个图像分类模型后,该第一个图像分类模型可以输出待分类图像的类别及置信度。例如,第一个图像分类模型输出的类别为“涉黄”,置信度为0.9,说明待分类图像的内容可能为涉黄图像,可能性为90%。
S202,确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件,如果满足,执行步骤S203;
得到上述置信度后,电子设备可以确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件,该预设条件可以为置信度大于预设阈值,也可以为置信度不大于预设阈值,具体为哪种条件可以根据第一个图像分类模型输出的类别确定。
例如,图像分类的目的是进行鉴黄,如果第一个图像分类模型输出的结果为“涉黄”及置信度,那么为了进一步确定待分类图像是否真的涉黄,那么上述预设条件可以为置信度大于预设阈值,也就是说,当第一个图像分类模型确定待分类图像涉黄的可能性较大时,满足预设条件。
如果第一个图像分类模型输出的结果为“正常”及置信度,那么为了进一步确定待分类图像是否涉黄,那么上述预设条件可以为置信度不大于预设阈值,也就是说,当第一个图像分类模型确定待分类图像为正常图像的可能性较小时,满足预设条件。
S203,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
在当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件时,为了进一步确定待分类图像的类别,可以将待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度,以对待分类图像的类别进行更加准确的识别。
S204,基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果。
进而,便可以基于该下一个图像分类模型输出的类别及置信度,确定待分类图像的初级分类结果。如果该下一个图像分类模型输出的类别与第一个图像分类模型输出的类别相同,且置信度较高,那么说明两个图像分类模型的输出结果是一致的,那么电子设备便可以确定待分类图像的初级分类结果为该下一个图像分类模型输出的类别。
例如,该下一个图像分类模型输出的类别为“涉黄”,置信度为0.95,那么说明上述两个图像分类模型均判断待分类图像很可能为涉黄图像,那么电子设备便可以确定待分类图像的初级分类结果为“涉黄”。
如果该下一个图像分类模型输出的类别与第一个图像分类模型输出的类别不同,且置信度较高,那么说明第一个图像分类模型的输出结果很可能不准确,那么电子设备便可以确定待分类图像的初级分类结果为该下一个图像分类模型输出的类别。
相应的,上述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,可以包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
在上述情况下,由于经过两个图像分类模型的识别,得到的初级分类结果已经比较准确,因此可以将待分类图像的初级分类结果确定为所述待分类图像的最终分类结果,完成图像分类。
可见,在本实施例中,电子设备可以将待分类图像输入预先训练完成的第一个图像分类模型,得到类别及置信度,确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件,如果满足,将待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度,基于下一个图像分类模型输出的类别及置信度,确定待分类图像的初级分类结果,进而,将待分类图像的初级分类结果确定为待分类图像的最终分类结果。这样可以利用下一个图像分类模型进行进一步的分类,提高图像分类的准确性。
作为本发明实施例的一种实施方式,当上述置信度及预设阈值的大小关系不满足预设条件时,上述方法还可以包括:
基于所述第一图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
当上述第一个图像分类模型输出的置信度及预设阈值的大小关系不满足预设条件时,说明待分类图像为目标类别的可能性较小,其中,目标类别为图像分类处理所要识别出的类别,例如,涉黄、涉政、暴力等。
那么此时,电子设备可以基于第一图像分类模型输出的类别确定待分类图像的初级分类结果。在一种实施方式中,当预设条件为置信度大于预设阈值时,电子设备可以确定待分类图像的初级分类结果为非第一图像分类模型输出的类别。例如,第一图像分类模型输出的类别为“涉黄”,置信度为0.4,那么电子设备可以确定待分类图像的初级分类结果为“非涉黄”。
在另一种实施方式中,当预设条件为置信度不大于预设阈值时,电子设备可以确定待分类图像的初级分类结果为第一图像分类模型输出的类别。例如,第一图像分类模型输出的类别为“正常”,置信度为0.9,那么电子设备可以确定待分类图像的初级分类结果为“正常”。
可见,在本实施例中,当上述置信度及预设阈值的大小关系不满足预设条件时,电子设备可以基于第一图像分类模型输出的类别,确定待分类图像的初级分类结果,这样可以在待分类图像为目标类别的可能性较小时,节省计算资源,快速确定待分类图像的类别,提高图像分类的效率。
作为本发明实施例的一种实施方式,如图3所示,上述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,可以包括:
S301,将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
S302,确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件,如果满足,执行步骤S303,如果不满足,执行步骤S304;
S303,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度,执行步骤S305;
S304,基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果;
上述步骤S301-步骤S304已经在上述实施例中进行说明,可以参见上述实施例的部分说明,在此不再赘述。
S305,确定是否存在其他图像分类模型,如果存在,返回步骤S302;如果不存在,执行步骤S306;
将待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度后,电子设备可以判断是否还存在其他图像分类模型。
如果存在,为了进一步提高图像分类的准确度,可以返回上述步骤S302,也就是确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件,如果满足,则执行步骤S303,以继续通过其他图像分类模型对待分类图像进行分类。如果存在其他图像分类模型,那么便可以继续执行步骤S306。
S306,基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果。
由于步骤S306与上述步骤S204相同,可以参见步骤S204部分的说明,在此不再赘述。
可见,在本实施例中,在基于下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果之前,电子设备可以确定是否存在其他图像分类模型,如果存在,返回上述确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件的步骤,以对待分类图像进行进一步的分类处理,进一步提高分类准确度。
作为本发明实施例的一种实施方式,如图4所示,上述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,可以包括:
S401,将所述待分类图像输入预先训练完成的第一个图像分类模型,得到所述待分类图像的第一分类结果;
由于从不同维度进行图像分类可能得到不同的类别,而对不同的类别的图像进行进一步分类的结果与该类别很可能是相关的。例如,图像按照是否为真实场景的图像进行分类,可以得到的类别可能为“漫画”、“影视剧”及“真实”等。
因此,首先可以对待分类图像进行一次预分类,也就是说,可以将待分类图像输入预先训练完成的第一图像分类模型,得到待分类图像的第一分类结果,该分类结果可以为类别。
S402,将所述待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果。
接下来,为了进一步确定待分类图像的类别,电子设备可以将待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,其中,第二个图像分类模型为与第一分类结果所标识的第一类别对应的图像分类模型。
由于第一类别可以能有多种,为了针对不同类型图像进行准确地进一步分类,可以预设设置第一类别与第二图像分类模型的对应关系,进而,在得到待分类图像的第一类别后,电子设备可以基于该对应关系确定该第一类别对应的第二个图像分类模型。
每个第一类别对应的第二个图像分类模型为能够准确对该第一类别的图像进行进一步准确分类的图像分类模型。例如,如果第一类别为“漫画”,那么其对应的第二个图像分类模型可以为能够对漫画类图像是否涉黄进行准确识别的图像分类模型。
这样,电子设备便可以将第二个图像分类模型输出的第二类别作为待分类图像的初级分类结果。
相应的,上述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,可以包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
在上述情况下,由于经过两个图像分类模型的识别,得到的初级分类结果已经比较准确,因此可以将待分类图像的初级分类结果确定为所述待分类图像的最终分类结果,完成图像分类。
可见,在本实施例中,电子设备可以将待分类图像输入预先训练完成的第一个图像分类模型,得到待分类图像的第一类别,将待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,作为待分类图像的初级分类结果,由于第二个图像分类模型为与第一类别对应的图像分类模型,所以可以准确对第一类别的待分类图像进行进一步的分类处理,提高图像分类的准确度。
作为本发明实施例的一种实施方式,上述初级分类结果可以包括多种类别。
由于有的待处理图像可能涉及多方面的内容,也就会出现多种类别,例如,待处理图像的初级分类结果包括类别1和类别2。其中,该多种类别可以为多个图像分类模型分别对待分类图像进行分类处理得到的。
在这种情况下,如图5所示,上述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,可以包括:
S501,获取所述多种类别对应的优先级;
由于分类需要的不同,对于多种类别来说,其会存在重要程度的差别,也就是优先级。因此,为了确定初级分类结果所包括的多种类别的重要程度,电子设备可以获取该多种类别对应的优先级。
例如,初级分类结果所包括的类别为“涉黄”和“涉政”,那么电子设备便可以获取“涉黄”和“涉政”分别对应的优先级。
其中,上述优先级可以根据分类需要等因素预先设定,电子设备可以预先设定各个类别对应的优先级,进而从中获取初级分类结果所包括的多种类别对应的优先级。
S502,将优先级最高的类别确定为所述待分类图像的最终分类结果。
获取各类别对应的优先级后,由于优先级高的类别的重要程度高,所以电子设备可以将优先级最高的类别确定为待分类图像的最终分类结果,以满足图像分类需求。
可见,在本实施例中,上述初级分类结果包括多种类别的情况下,电子设备可以获取该多种类别对应的优先级,进而将优先级最高的类别确定为待分类图像的最终分类结果。这样,可以基于多种类别的重要程度确定最终分类结果,满足图像分类需求。
相应于上述图像分类方法,本发明实施例提供了一种图像分类装置。下面对本发明实施例所提供的一种图像分类装置进行介绍。
如图6所示,一种图像分类装置,所述装置包括:
图像获取模块610,用于获取待分类图像;
第一分类模块620,用于根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果;
其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别。
第二分类模块630,用于基于所述初级分类结果确定所述待分类图像的最终分类结果。
可见,本发明实施例所提供的方案中,电子设备获取待分类图像,可以根据预设处理规则,将待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,预设处理规则为基于图像分类需求预先设定的,图像分类模型基于训练集预先训练完成,训练集包括图像样本以及每个图像样本对应的类别;进而基于初级分类结果确定待分类图像的最终分类结果。由于根据图像分类需求预先设定预设处理规则,在进行图像分类时可以基于该预设处理规则选择多个图像分类模型进行处理,得到的初级分类结果更加准确,进而基于初级分类结果确定的待分类图像的最终分类结果的准确度也可以大大提高。
作为本发明实施例的一种实施方式,上述第一分类模块620可以包括:
第一分类单元(图6中未示出),用于将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
第二分类单元(图6中未示出),用于基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
作为本发明实施例的一种实施方式,上述第一分类结果可以包括类别及置信度;
上述第二分类单元可以包括:
第一分类子单元(图6中未示出),用于将所述待分类图像输入预先训练完成的第一个图像分类模型,得到类别及置信度;
条件确定子单元(图6中未示出),用于确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
第二分类子单元(图6中未示出),用于如果置信度及预设阈值的大小关系满足预设条件,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
第一初级结果确定子单元(图6中未示出),用于基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
上述第二分类模块630可以包括:
第一最终结果确定单元(图6中未示出),用于将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
作为本发明实施例的一种实施方式,上述第二分类单元还可以包括:
第二初级结果确定子单元(图6中未示出),用于当所述置信度及预设阈值的大小关系不满足预设条件时,基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
作为本发明实施例的一种实施方式,上述第二分类单元还可以包括:
分类模型确定子单元(图6中未示出),用于在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果之前,确定是否存在其他图像分类模型;
第一触发子单元(图6中未示出),用于如果存在其他图像分类模型,触发所述条件确定子单元;
第二触发子单元(图6中未示出),用于如果不存在其他图像分类模型,触发所述第一初级结果确定子单元。
作为本发明实施例的一种实施方式,上述第二分类单元可以包括:
第一类别确定子单元(图6中未示出),用于将所述待分类图像输入预先训练完成的第一图像分类模型,得到所述待分类图像的第一类别;
第二类别确定子单元(图6中未示出),用于将所述待分类图像输入预先训练完成的第二图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果。
其中,所述第二图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型。
上述第二分类模块630可以包括:
第二最终结果确定单元(图6中未示出),用于将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
作为本发明实施例的一种实施方式,上述初级分类结果可以包括多种类别;
上述第二分类模块630可以包括:
优先级获取单元(图6中未示出),用于获取所述多种类别对应的优先级;
第三最终结果确定单元(图6中未示出),用于将优先级最高的类别确定为所述待分类图像的最终分类结果。
本发明实施例还提供了一种电子设备,如图7所示,电子设备可以包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现如下步骤:
获取待分类图像;
根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果;
其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别。
基于所述初级分类结果确定所述待分类图像的最终分类结果。
可见,本发明实施例所提供的方案中,电子设备获取待分类图像,可以根据预设处理规则,将待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,预设处理规则为基于图像分类需求预先设定的,图像分类模型基于训练集预先训练完成,训练集包括图像样本以及每个图像样本对应的类别;进而基于初级分类结果确定待分类图像的最终分类结果。由于根据图像分类需求预先设定预设处理规则,在进行图像分类时可以基于该预设处理规则选择多个图像分类模型进行处理,得到的初级分类结果更加准确,进而基于初级分类结果确定的待分类图像的最终分类结果的准确度也可以大大提高。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,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。
其中,所述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,可以包括:
将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
其中,所述第一分类结果可以包括类别及置信度;
所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,可以包括:
确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
如果满足,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
其中,当所述置信度及预设阈值的大小关系不满足预设条件时,所述方法还可以包括:
基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
其中,在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤之前,所述方法还可以包括:
确定是否存在其他图像分类模型;
如果存在,返回所述确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件的步骤;
如果不存在,执行所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤。
其中,所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,可以包括:
将所述待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果。
其中,所述第二个图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型。
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
其中,所述初级分类结果可以包括多种类别;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,可以包括:
获取所述多种类别对应的优先级;
将优先级最高的类别确定为所述待分类图像的最终分类结果。
本发明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内存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待分类图像;
根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果;
其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别。
基于所述初级分类结果确定所述待分类图像的最终分类结果。
可见,本发明实施例所提供的方案中,计算机程序被处理器执行时,获取待分类图像,可以根据预设处理规则,将待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,预设处理规则为基于图像分类需求预先设定的,图像分类模型基于训练集预先训练完成,训练集包括图像样本以及每个图像样本对应的类别;进而基于初级分类结果确定待分类图像的最终分类结果。由于根据图像分类需求预先设定预设处理规则,在进行图像分类时可以基于该预设处理规则选择多个图像分类模型进行处理,得到的初级分类结果更加准确,进而基于初级分类结果确定的待分类图像的最终分类结果的准确度也可以大大提高。
其中,所述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,可以包括:
将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
其中,所述第一分类结果可以包括类别及置信度;
所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,可以包括:
确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
如果满足,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
其中,当所述置信度及预设阈值的大小关系不满足预设条件时,所述方法还可以包括:
基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
其中,在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤之前,所述方法还可以包括:
确定是否存在其他图像分类模型;
如果存在,返回所述确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件的步骤;
如果不存在,执行所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤。
其中,所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,可以包括:
将所述待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果。
其中,所述第二个图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型。
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
其中,所述初级分类结果可以包括多种类别;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,可以包括:
获取所述多种类别对应的优先级;
将优先级最高的类别确定为所述待分类图像的最终分类结果。
需要说明的是,对于上述装置、电子设备及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
进一步需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (16)
1.一种图像分类方法,其特征在于,所述方法包括:
获取待分类图像;
根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别;
基于所述初级分类结果确定所述待分类图像的最终分类结果。
2.如权利要求1所述的方法,其特征在于,所述根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果的步骤,包括:
将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
3.如权利要求2所述的方法,其特征在于,所述第一分类结果包括类别及置信度;
所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,包括:
确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
如果满足,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
4.如权利要求3所述的方法,其特征在于,当所述置信度及预设阈值的大小关系不满足预设条件时,所述方法还包括:
基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
5.如权利要求3或4所述的方法,其特征在于,在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤之前,所述方法还包括:
确定是否存在其他图像分类模型;
如果存在,返回所述确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件的步骤;
如果不存在,执行所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果的步骤。
6.如权利要求2所述的方法,其特征在于,所述基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果的步骤,包括:
将所述待分类图像输入预先训练完成的第二个图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果,其中,所述第二个图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
7.如权利要求1所述的方法,其特征在于,所述初级分类结果包括多种类别;
所述基于所述初级分类结果确定所述待分类图像的最终分类结果的步骤,包括:
获取所述多种类别对应的优先级;
将优先级最高的类别确定为所述待分类图像的最终分类结果。
8.一种图像分类装置,其特征在于,所述装置包括:
图像获取模块,用于获取待分类图像;
第一分类模块,用于根据预设处理规则,将所述待分类图像输入预先训练完成的多个图像分类模型,得到初级分类结果,其中,所述预设处理规则为基于图像分类需求预先设定的,所述图像分类模型基于训练集预先训练完成,所述训练集包括图像样本以及每个图像样本对应的类别;
第二分类模块,用于基于所述初级分类结果确定所述待分类图像的最终分类结果。
9.如权利要求8所述的装置,其特征在于,所述第一分类模块包括:
第一分类单元,用于将所述待分类图像输入预先训练完成的第一个图像分类模型,得到第一分类结果;
第二分类单元,用于基于所述第一分类结果及预设处理规则,将所述待分类图像输入预先训练完成的其他图像分类模型,得到初级分类结果。
10.如权利要求9所述的装置,其特征在于,所述第一分类结果包括类别及置信度;
所述第二分类单元包括:
条件确定子单元,用于确定当前图像分类模型输出的置信度及预设阈值的大小关系是否满足预设条件;
第二分类子单元,用于如果置信度及预设阈值的大小关系满足预设条件,将所述待分类图像输入预先训练完成的下一个图像分类模型,得到对应的类别及置信度;
第一初级结果确定子单元,用于基于所述下一个图像分类模型输出的类别及置信度,确定所述待分类图像的初级分类结果;
所述第二分类模块包括:
第一最终结果确定单元,用于将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
11.如权利要求10所述的装置,其特征在于,所述第二分类单元还包括:
第二初级结果确定子单元,用于当所述置信度及预设阈值的大小关系不满足预设条件时,基于所述第一个图像分类模型输出的类别,确定所述待分类图像的初级分类结果。
12.如权利要求10或11所述的装置,其特征在于,所述第二分类单元还包括:
分类模型确定子单元,用于在所述基于所述下一个图像分类模型输出的类别及置信度,确定为所述待分类图像的初级分类结果之前,确定是否存在其他图像分类模型;
第一触发子单元,用于如果存在其他图像分类模型,触发所述条件确定子单元;
第二触发子单元,用于如果不存在其他图像分类模型,触发所述第一初级结果确定子单元。
13.如权利要求9所述的装置,其特征在于,所述第二分类单元包括:
第二类别确定子单元,用于将所述待分类图像输入预先训练完成的第二图像分类模型,得到第二类别,作为所述待分类图像的初级分类结果,其中,所述第二图像分类模型为与所述第一分类结果所标识的类别对应的图像分类模型;
所述第二分类模块包括:
第二最终结果确定单元,用于将所述待分类图像的初级分类结果确定为所述待分类图像的最终分类结果。
14.如权利要求8所述的装置,其特征在于,所述初级分类结果包括多种类别;
所述第二分类模块包括:
优先级获取单元,用于获取所述多种类别对应的优先级;
第三最终结果确定单元,用于将优先级最高的类别确定为所述待分类图像的最终分类结果。
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
16.一种计算机可读存储介质,其特征在于,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权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234617.9A CN112926608A (zh) | 2019-12-05 | 2019-12-05 | 一种图像分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911234617.9A CN112926608A (zh) | 2019-12-05 | 2019-12-05 | 一种图像分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926608A true CN112926608A (zh) | 2021-06-08 |
Family
ID=76161334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911234617.9A Pending CN112926608A (zh) | 2019-12-05 | 2019-12-05 | 一种图像分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926608A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332547A (zh) * | 2022-03-17 | 2022-04-12 | 浙江太美医疗科技股份有限公司 | 医学目标分类方法和装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080110064A (ko) * | 2007-06-14 | 2008-12-18 | 유성준 | 음란성 이미지의 판별 방법과 그 장치 |
US20090123064A1 (en) * | 2007-11-13 | 2009-05-14 | Messagelabs Limited | Scanning images for pornography |
CN106960196A (zh) * | 2017-03-29 | 2017-07-18 | 西安电子科技大学 | 基于模板匹配和svm的工业视频小数字识别方法 |
CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
CN108764374A (zh) * | 2018-06-11 | 2018-11-06 | 网易(杭州)网络有限公司 | 图像分类方法、系统、介质和电子设备 |
CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110163301A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像的分类方法及装置 |
CN110163300A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-05 CN CN201911234617.9A patent/CN112926608A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080110064A (ko) * | 2007-06-14 | 2008-12-18 | 유성준 | 음란성 이미지의 판별 방법과 그 장치 |
US20090123064A1 (en) * | 2007-11-13 | 2009-05-14 | Messagelabs Limited | Scanning images for pornography |
CN106960196A (zh) * | 2017-03-29 | 2017-07-18 | 西安电子科技大学 | 基于模板匹配和svm的工业视频小数字识别方法 |
CN107330453A (zh) * | 2017-06-19 | 2017-11-07 | 中国传媒大学 | 基于分步识别和融合关键部位检测的色情图像识别方法 |
CN108764374A (zh) * | 2018-06-11 | 2018-11-06 | 网易(杭州)网络有限公司 | 图像分类方法、系统、介质和电子设备 |
CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110163301A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像的分类方法及装置 |
CN110163300A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332547A (zh) * | 2022-03-17 | 2022-04-12 | 浙江太美医疗科技股份有限公司 | 医学目标分类方法和装置、电子设备和存储介质 |
CN114332547B (zh) * | 2022-03-17 | 2022-07-08 | 浙江太美医疗科技股份有限公司 | 医学目标分类方法和装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN108921206B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN110222791B (zh) | 样本标注信息的审核方法及装置 | |
CN109145299B (zh) | 一种文本相似度确定方法、装置、设备及存储介质 | |
US20200175062A1 (en) | Image retrieval method and apparatus, and electronic device | |
CN111767713B (zh) | 关键词的提取方法、装置、电子设备及存储介质 | |
CN109598414B (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
CN110909784B (zh) | 一种图像识别模型的训练方法、装置及电子设备 | |
CN111460155B (zh) | 一种基于知识图谱的信息可信度评估方法及装置 | |
CN109685785A (zh) | 一种图像质量评估方法、装置及电子设备 | |
CN108335131B (zh) | 一种预估用户年龄段的方法、装置及电子设备 | |
CN110377733B (zh) | 一种基于文本的情绪识别方法、终端设备及介质 | |
CN111222368B (zh) | 一种识别文档段落的方法、装置及电子设备 | |
CN111027428A (zh) | 一种多任务模型的训练方法、装置及电子设备 | |
CN112215230B (zh) | 一种信息审核方法、装置及电子设备 | |
CN112528703B (zh) | 一种识别表格结构的方法、装置及电子设备 | |
CN112434717A (zh) | 一种模型训练方法及装置 | |
CN111783812A (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
CN111242158A (zh) | 神经网络训练方法、图像处理方法及装置 | |
CN112926608A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN110363189B (zh) | 一种文档内容修复方法、装置、电子设备及可读存储介质 | |
CN111640076B (zh) | 一种图像补全方法、装置及电子设备 | |
CN110633457A (zh) | 一种内容替换方法、装置、电子设备及可读存储介质 | |
CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
CN114065858A (zh) | 一种模型训练方法、装置、电子设备及存储介质 |
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 |