CN113705686A - 图像分类方法、装置、电子设备及可读存储介质 - Google Patents
图像分类方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113705686A CN113705686A CN202111004302.2A CN202111004302A CN113705686A CN 113705686 A CN113705686 A CN 113705686A CN 202111004302 A CN202111004302 A CN 202111004302A CN 113705686 A CN113705686 A CN 113705686A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- training image
- matrix
- classification
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能及数字医疗领域,揭露一种图像分类方法,包括:根据训练图像的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建卷积层及池化层;将所述卷积层及池化层与全连接层进行层间组合,得到待训练图像分类模型;利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,对降维后的所述训练图像集进行分类操作,得到训练完成的所述图像分类模型;利用训练完成的所述图像分类模型对用户输入的待分类图像执行分类。本发明还涉及区块链技术,所述训练图像可存储于区块链节点中。本发明还提出一种基于模型训练的图像分类装置、设备以及存储介质。本发明可以提高图像分类时的智能化程度及图像分类准确率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种图像分类方法、装置、电子设备及可读存储介质。
背景技术
在众多领域内图像的分类越来越重要,例如,在网上挑选家具时,需对家具图像进行分类以便客户进行选择,提升客户的购物体验。目前常见的图像分类大都是运用图像分类模型对图像进行分类,但是常见图像分类模型,构建的卷积层和池化层并不能满足多数图像的分类要求,导致图像分类准确率降低。
发明内容
本发明提供一种图像分类方法、装置、电子设备及计算机可读存储介质,其目的在于提高图像分类时的智能化程度及提升图像分类时的准确率。
为实现上述目的,本发明提供的一种图像分类方法,包括:
获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层;
将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型;
利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,并对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果;
对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值;
若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,并返回所述利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理的步骤,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型;
接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
可选地,所述对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,包括:
对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集;
对所述一次降维特征图矩阵集进行维度转化,得到一维训练图像矩阵。
可选地,对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集,包括:
设置预设个数的卷积核矩阵;
解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵;
利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算,得到特征图矩阵集;
对所述特征图矩阵集中的特征图矩阵进行平均区域划分,得到多个相同子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到一次降维特征图矩阵集。
可选地,所述解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵,包括:
获取所述训练图像集中的训练图像,对所述训练图像进行高斯模糊处理,得到模糊训练图像;
对所述模糊训练图像进行灰度化处理,得到所述训练图像的像素矩阵。
可选地,所述对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,包括:
利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率;
根据所述分类概率大小,确定所述一维训练图像矩阵的分类结果。
可选地,所述利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率,包括:
将所述一维训练图像矩阵进行竖行排序,并对所述一维训练图像矩阵中的每一个像素进行预设次数的激活计算,得到激活像素;
对所述激活像素进行组合分类处理,得到分类像素组;
对所述分类像素组进行概率计算,得到所述一维训练图像矩阵的分类概率。
可选地,所述提取所述训练图像集中每张训练图像的分辨率,包括:
对所述训练图像进行灰度化处理,得到训练图像像素矩阵;
利用预设单位大小的图像框对所述训练图像像素矩阵进行框选;
计算所述图像框内像素个数,并按照所述单位大小与英寸的比例关系计算所述训练图像的分辨率。
为了解决上述问题,本发明还提供一种基于模型训练的图像分类装置,所述装置包括:
模型构建模块,用于获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层,将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型;
模型训练模块,用于利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值,若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,并返回所述对所述一维训练图像矩阵集进行分类操作的步骤,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型;
用户图像分类模块,用于接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的图像分类方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的图像分类方法。
本发明实施例首先通过提取训练图像集的众数分辨率,并根据所述众数分辨率确定图像分类模型中的卷积层及池化层的层数,保证了不会因为卷积层及池化层层数过少而导致的计算算难度变大,也避免了因为卷积层及池化层层数过多而导致训练图像丢失本身特征,从而降低了图片分类的正确率,然后,根据确定层数的卷积层及池化层构建图像分类模型,并将所述训练图像集放入所述图像分类模型进行训练,得到训练完毕的图像分类模型,减少了图像分类过程中的人工操作,并提高了图像分类的正确率。因此,本发明实施例提出的图像分类方法、装置、电子设备及可读存储介质提高了图像分类时的智能化程度及提升图像分类时的准确率。
附图说明
图1为本发明一实施例提供的图像分类方法的流程示意图;
图2为本发明一实施例提供的基于模型训练的图像分类装置的模块示意图;
图3为本发明一实施例提供的实现图像分类方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种图像分类方法。所述图像分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述图像分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。
所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的图像分类方法的流程示意图,在本发明实施例中,所述图像分类方法包括:
S1、获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层。
本发明实施例中,所述训练图像集一般可以从现有的图像库中随机抽取或者根据预设的要求选择部分图像作为训练图像集。所述训练图像的分辨率可以是所述训练图像中存储的信息量,一般通过计算每英寸所述训练图像内有多少个像素点来得到。
详细地,所述提取所述训练图像集中每张训练图像的分辨率,包括:
对所述训练图像进行灰度化处理,得到训练图像像素矩阵;
利用预设单位大小的图像框对所述训练图像像素矩阵进行框选;
计算所述图像框内像素个数,并按照所述单位大小与英寸的比例关系计算所述训练图像的分辨率。
本发明实施例中,在利用所述训练图像集进行卷积神经网络模型训练时,需经过多层卷积层及池化层,但具体层数无法确定,因此,可以通过获取所述训练图像集的分辨率并取众数以确定所述卷积层及池化层层数,减少所述训练图像集的分类错误概率。
所述卷积层和池化层分别是卷积神经网络中对所述训练图像集进行卷积操作及池化操作的两个层面,通常一个卷积神经网络中包含多个卷积层和池化层。所述映射关系可以是用户预先设定的根据所述训练图像集的众数分辨率来确定所述卷积层及池化层的层数的对应关系,例如,当训练图像集的众数分辨率为100PPI时,根据所述映射关系,将构建10层卷积层及池化层。
S2、将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型。
本发明实施例中,所述降维层可以是对图像进行维度变换的层次空间。所述全连接层可以是一个简单的多分类神经网络,例如BP神经网络。
详细地,当图像经过所述卷积层及池化层之后,得到的特征图在原有的图像基础上已进行多次降维缩小,但不方便计算机进行读取,因此,需要对所述图像进行维度变换,将图像从x*y维转化为1*n维,其中x,y及n均大于1,以便计算机更快的读取所述图像数据,加快分类速度。
进一步地,当图像经过降维层后需要对所述图像进行激活并分类,因此需要对所述图像进行激活函数计算得到分类结果。
S3、利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像,并对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果。
本发明实施例中,所述对图像进行降维处理通过将所述训练图像集按照先后顺序输入至卷积层、池化层及降维层进行相应的操作。
详细地,所述对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,包括:
对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集;
对所述一次降维特征图矩阵集进行维度转化,得到一维训练图像矩阵。
进一步地,
对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集,包括:
设置预设个数的卷积核矩阵;
解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵;
利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算,得到特征图矩阵集;
对所述特征图矩阵集中的特征图矩阵进行平均区域划分,得到多个相同子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到一次降维特征图矩阵集。
进一步地,所述解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵,包括:
获取所述训练图像集中的训练图像,对所述训练图像进行高斯模糊处理,得到模糊训练图像;
对所述模糊训练图像进行灰度化处理,得到所述训练图像的像素矩阵。
具体的,所述利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算,降低了所述像素矩阵的维度,减少了后续激活函数的计算量。
进一步地,所述提取所述区域内像素值中的最大值,并将所述最大值代替所对应的区域的像素值,进一步降低了所述特征图矩阵集的维度,并最大限度地保留了训练图像所包含的特征。
本发明实施例中,利用预设的激活函数对所述一维训练图像矩阵进行计算,并对计算结果进行分析,得到所述一维训练图像的分类结果,从而得到相对应的训练图像分类结果。
详细地,所述对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,包括:
利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率;
根据所述分类概率大小,确定所述一维训练图像矩阵的分类结果。
进一步地,所述利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率,包括:
将所述一维训练图像矩阵进行竖行排序,并对所述一维训练图像矩阵中的每一个像素进行预设次数的激活计算,得到激活像素;
对所述激活像素进行组合分类处理,得到分类像素组;
对所述分类像素组进行概率计算,得到所述一维训练图像矩阵的分类概率。
S4、对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值。
详细地,本发明实施例中可以使用预先设定的损失函数对所述分类结果进行损失计算,通过分析计算得到的结果判断所述训练图像集是否分类正确,从而确保了图像分类的准确性。
若所述损失值大于所述预设阈值,则S5、调整所述待训练图像分类模型的模型参数,并返回上述的S3。
本发明实施例中,当所述损失值大于所述预设阈值时,表示所述分类结果存在较大误差,因此需要对所述待训练图像分类模型的模型参数进行调整,以达到减少图像分类错误,提高图像分类准确率。
若所述损失值小于或等于所述预设阈值,则S6、得到训练完成的所述图像分类模型。
本发明实施例中,当所述损失值小于或等于所述预设阈值时,证明所述训练图像集的分类结果处于一个用户可接受的适当的范围,因此可直接确定完成训练,得到训练完成的所述图像分类模型。
S7、接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
本发明一可选实施例中,将所述用户输入的待分类图像输入至所述图像分类模型中,通过识别所述待分类图像的图像特征,对所述待分类图像进行分类。
本发明实施例首先通过提取训练图像集的众数分辨率,并根据所述众数分辨率确定图像分类模型中的卷积层及池化层的层数,保证了不会因为卷积层及池化层层数过少而导致的计算算难度变大,也避免了因为卷积层及池化层层数过多而导致训练图像丢失本身特征,从而降低了图片分类的正确率,然后,根据确定层数的卷积层及池化层构建图像分类模型,并将所述训练图像集放入所述图像分类模型进行训练,得到训练完毕的图像分类模型,减少了图像分类过程中的人工操作,并提高了图像分类的正确率。因此,本发明实施例提出的图像分类方法、装置、电子设备及可读存储介质提高了图像分类时的智能化程度及提升图像分类时的准确率。
如图2所示,是本发明图像分类装置的功能模块图。
本发明所述图像分类装置100可以安装于电子设备中。根据实现的功能,所述图像分类装置可以包括模型构建模块101、模型训练模块102及用户图像分类模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型构建模块101用于获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层,将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型。
本发明实施例中,所述训练图像集一般可以从现有的图像库中随机抽取或者根据预设的要求选择部分图像作为训练图像集。所述训练图像的分辨率可以是所述训练图像中存储的信息量,一般通过计算每英寸所述训练图像内有多少个像素点来得到。
详细地,所述提取所述训练图像集中每张训练图像的分辨率,包括:
对所述训练图像进行灰度化处理,得到训练图像像素矩阵;
利用预设单位大小的图像框对所述训练图像像素矩阵进行框选;
计算所述图像框内像素个数,并按照所述单位大小与英寸的比例关系计算所述训练图像的分辨率。
本发明实施例中,在利用所述训练图像集进行卷积神经网络模型训练时,需经过多层卷积层及池化层,但具体层数无法确定,因此,可以通过获取所述训练图像集的分辨率并取众数以确定所述卷积层及池化层层数,减少所述训练图像集的分类错误概率。
所述卷积层和池化层分别是卷积神经网络中对所述训练图像集进行卷积操作及池化操作的两个层面,通常一个卷积神经网络中包含多个卷积层和池化层。所述映射关系可以是用户预先设定的根据所述训练图像集的众数分辨率来确定所述卷积层及池化层的层数的对应关系,例如,当训练图像集的众数分辨率为100PPI时,根据所述映射关系,将构建10层卷积层及池化层。
本发明实施例中,所述降维层可以是对图像进行维度变换的层次空间。所述全连接层可以是一个简单的多分类神经网络,例如BP神经网络。
详细地,当图像经过所述卷积层及池化层之后,得到的特征图在原有的图像基础上已进行多次降维缩小,但不方便计算机进行读取,因此,需要对所述图像进行维度变换,将图像从x*y维转化为1*n维,其中x,y及n均大于1,以便计算机更快的读取所述图像数据,加快分类速度。
进一步地,当图像经过降维层后需要对所述图像进行激活并分类,因此需要对所述图像进行激活函数计算得到分类结果。
所述模型训练模块102用于利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值,若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型。
本发明实施例中,所述对图像进行降维处理通过将所述训练图像集按照先后顺序输入至卷积层、池化层及降维层进行相应的操作。
详细地,所述对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,包括:
对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集;
对所述一次降维特征图矩阵集进行维度转化,得到一维训练图像矩阵。
进一步地,
对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集,包括:
设置预设个数的卷积核矩阵;
解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵;
利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算,得到特征图矩阵集;
对所述特征图矩阵集中的特征图矩阵进行平均区域划分,得到多个相同子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到一次降维特征图矩阵集。
进一步地,所述解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵,包括:
获取所述训练图像集中的训练图像,对所述训练图像进行高斯模糊处理,得到模糊训练图像;
对所述模糊训练图像进行灰度化处理,得到所述训练图像的像素矩阵。
具体的,所述利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算,降低了所述像素矩阵的维度,减少了后续激活函数的计算量。
进一步地,所述提取所述区域内像素值中的最大值,并将所述最大值代替所对应的区域的像素值,进一步降低了所述特征图矩阵集的维度,并最大限度地保留了训练图像所包含的特征。
本发明实施例中,利用预设的激活函数对所述一维训练图像矩阵进行计算,并对计算结果进行分析,得到所述一维训练图像的分类结果,从而得到相对应的训练图像分类结果。
详细地,所述对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,包括:
利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率;
根据所述分类概率大小,确定所述一维训练图像矩阵的分类结果。
进一步地,所述利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率,包括:
将所述一维训练图像矩阵进行竖行排序,并对所述一维训练图像矩阵中的每一个像素进行预设次数的激活计算,得到激活像素;
对所述激活像素进行组合分类处理,得到分类像素组;
对所述分类像素组进行概率计算,得到所述一维训练图像矩阵的分类概率。
详细地,本发明实施例中可以使用预先设定的损失函数对所述分类结果进行损失计算,通过分析计算得到的结果判断所述训练图像集是否分类正确,从而确保了图像分类的准确性。
本发明实施例中,当所述损失值大于所述预设阈值时,表示所述分类结果存在较大误差,因此需要对所述待训练图像分类模型的模型参数进行调整,以达到减少图像分类错误,提高图像分类准确率。
本发明实施例中,当所述损失值小于或等于所述预设阈值时,证明所述训练图像集的分类结果处于一个用户可接受的适当的范围,因此可直接确定完成训练,得到训练完成的所述图像分类模型。
所述用户图像分类模块103用于接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
本发明一可选实施例中,将所述用户输入的待分类图像输入至所述图像分类模型中,通过识别所述待分类图像的图像特征,对所述待分类图像进行分类。
如图3所示,是本发明实现图像分类方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如图像分类程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如图像分类程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中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。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如图像分类程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。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。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的图像分类程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层;
将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型;
利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,并对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果;
对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值;
若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,并返回所述利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理的步骤,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型;
接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的,也可以是易失性的。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)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层;
将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型;
利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,并对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果;
对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值;
若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,并返回所述利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理的步骤,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型;
接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
进一步地,所述计算机可用存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,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等同替换,而不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,所述方法包括:
获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层;
将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型;
利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,并对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果;
对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值;
若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,并返回所述利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理的步骤,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型;
接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
2.如权利要求1所述的图像分类方法,其特征在于,所述对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,包括:
对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集;
对所述一次降维特征图矩阵集进行维度转化,得到一维训练图像矩阵。
3.如权利要求2所述的图像分类方法,其特征在于,所述对所述训练图像集执行预设次数的图像卷积操作及图像池化操作,得到一次降维特征图矩阵集,包括:
设置预设个数的卷积核矩阵;
解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵;
利用每个所述卷积核矩阵与所述像素矩阵按照预设步长进行计算,得到特征图矩阵集;
对所述特征图矩阵集中的特征图矩阵进行平均区域划分,得到多个相同子区域;
提取每个所述子区域内像素值中的最大值,并将所述最大值代替所对应的子区域的像素值,得到一次降维特征图矩阵集。
4.如权利要求3所述的图像分类方法,其特征在于,所述解析所述训练图像集中的训练图像,得到所述训练图像的像素矩阵,包括:
获取所述训练图像集中的训练图像,对所述训练图像进行高斯模糊处理,得到模糊训练图像;
对所述模糊训练图像进行灰度化处理,得到所述训练图像的像素矩阵。
5.如权利要求1所述的图像分类方法,其特征在于,所述对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,包括:
利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率;
根据所述分类概率大小,确定所述一维训练图像矩阵的分类结果。
6.如权利要求5所述的图像分类方法,其特征在于,所述利用预设的激活函数对所述一维训练图像矩阵进行计算,得到所述一维训练图像矩阵的分类概率,包括:
将所述一维训练图像矩阵进行竖行排序,并对所述一维训练图像矩阵中的每一个像素进行预设次数的激活计算,得到激活像素;
对所述激活像素进行组合分类处理,得到分类像素组;
对所述分类像素组进行概率计算,得到所述一维训练图像矩阵的分类概率。
7.如权利要求1至6中任意一项所述的图像分类方法,其特征在于,所述提取所述训练图像集中每张训练图像的分辨率,包括:
对所述训练图像进行灰度化处理,得到训练图像像素矩阵;
利用预设单位大小的图像框对所述训练图像像素矩阵进行框选;
计算所述图像框内像素个数,并按照所述单位大小与英寸的比例关系计算所述训练图像的分辨率。
8.一种图像分类方法装置,其特征在于,包括:
模型构建模块,用于获取训练图像集,提取所述训练图像集中每张训练图像的分辨率,计算所述分辨率的众数,得到众数分辨率,并根据所述训练图像集的众数分辨率及所述众数分辨率与卷积层和池化层的映射关系,构建对应层数的卷积层及池化层,将所述卷积层及池化层与预设的降维层及全连接层进行层间组合,得到待训练图像分类模型;
模型训练模块,用于利用所述待训练图像分类模型,对所述训练图像集进行预设次数的降维处理,得到一维训练图像矩阵,并对所述一维训练图像矩阵进行分类操作,得到所述一维训练图像矩阵的分类结果,对所述分类结果进行损失计算,得到训练损失值,并判断所述训练损失值是否大于预设阈值,若所述损失值大于所述预设阈值,则调整所述待训练图像分类模型的模型参数,直至所述损失值小于或等于预设阈值时,得到训练完成的所述图像分类模型;
用户图像分类模块,用于接收用户输入的待分类图像,利用训练完成的所述图像分类模型对所述待分类图像执行分类,得到所述待分类图像的最终分类结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的图像分类方法。
10.一种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中任一项所述的图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004302.2A CN113705686B (zh) | 2021-08-30 | 2021-08-30 | 图像分类方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004302.2A CN113705686B (zh) | 2021-08-30 | 2021-08-30 | 图像分类方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705686A true CN113705686A (zh) | 2021-11-26 |
CN113705686B CN113705686B (zh) | 2023-09-15 |
Family
ID=78656780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004302.2A Active CN113705686B (zh) | 2021-08-30 | 2021-08-30 | 图像分类方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705686B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937145A (zh) * | 2022-12-09 | 2023-04-07 | 深圳市禾葡兰信息科技有限公司 | 基于大数据分析的肌肤健康可视化方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020221278A1 (zh) * | 2019-04-29 | 2020-11-05 | 北京金山云网络技术有限公司 | 视频分类方法及其模型的训练方法、装置和电子设备 |
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-08-30 CN CN202111004302.2A patent/CN113705686B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020221278A1 (zh) * | 2019-04-29 | 2020-11-05 | 北京金山云网络技术有限公司 | 视频分类方法及其模型的训练方法、装置和电子设备 |
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 |
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937145A (zh) * | 2022-12-09 | 2023-04-07 | 深圳市禾葡兰信息科技有限公司 | 基于大数据分析的肌肤健康可视化方法、装置及设备 |
CN115937145B (zh) * | 2022-12-09 | 2024-03-19 | 深圳市禾葡兰信息科技有限公司 | 基于大数据分析的肌肤健康可视化方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113705686B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
CN111814962A (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN112541745A (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN112137591A (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN111694844A (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
CN113887408A (zh) | 活化人脸视频的检测方法、装置、设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
CN112541688A (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |