CN117788904A - 图像分类方法、装置、电子设备和介质 - Google Patents

Abstract

本公开的实施例公开了图像分类方法、装置、电子设备和介质，涉及配电网调控技术领域。该方法的具体实施方式包括：利用训练完成的大规模语言模型基于待分类图片生成第一图片描述文本；获取预设的场景需求数据，构建第二图片描述文本；确定第一分类结果；利用关键点检测算法对上述待分类图片进行特征提取，得到目标特征；将上述目标特征输入训练好的图像深度学习网络，得到目标向量；对上述目标向量进行训练调整，得到第二分类结果。该实施方式通过利用大规模语言模型生成图片描述文本、利用关键点检测算法进行特征提取以及利用监督学习深度学习网络进行训练和调整，从而自动化地对图像进行分类，并且具有较高的准确率和鲁棒性的效果。

Description

图像分类方法、装置、电子设备和介质

技术领域

本公开的实施例涉及图像处理技术领域，具体涉及图像分类方法、装置、电子设备和介质。

背景技术

图像分类技术是一种根据图像的语义信息对不同类别图像进行区分的技术。它是计算机视觉领域最核心的任务之一，是物体检测、图像分隔、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。

虽然图像分类技术已经取得了很大的进展，但仍存在一些不足之处，例如光照变化、背景杂波、遮挡和部分可见性、尺度变化、视角变化、类别间相似度、数据集偏差以及计算资源等问题。目前大部分图像分类的数据集都是从网络上收集的，这些数据集可能存在一些偏差，例如标签错误、数据不平衡等，这些都会影响图像分类的性能。

发明内容

有鉴于此，本公开实施例提供了一种图像分类方法、装置、电子设备和介质，以解决现有技术中如何克服由于目前大部分图像分类的数据集都是从网络上收集的，这些数据集可能存在一些偏差，例如标签错误、数据不平衡等，这些都会影响图像分类的性能的问题。

本公开实施例的第一方面，提供了一种图像分类方法，包括：获取待分类图片，利用训练完成的大规模语言模型基于上述待分类图片生成第一图片描述文本；获取预设的场景需求数据，构建第二图片描述文本；利用上述大规模语言模型，确定上述第一图片描述文本和上述第二图片描述文本的第一分类结果；若上述第一分类结果表征分类相符，利用关键点检测算法对上述待分类图片进行特征提取，得到目标特征；将上述目标特征输入训练好的图像深度学习网络，得到目标向量；利用监督学习深度学习网络对上述目标向量进行训练调整，得到第二分类结果，上述第二分类结果为待分类图片属于各个类别的概率。

在一些实施例的一些可选的实现方式中，上述大规模语言模型的训练过程，包括：获取大规模语言模型的初始模型；利用参数高效性微调方法构建目标训练矩阵；随机抽取两张图片，计算上述初始模型输出特征的距离；利用对比学习算法基于上述输出特征的距离计算两张图片的损失值，基于上述损失值判断上述两张图片是否属于一个类别；若属于同一类别，利用反向传播修改上述目标训练矩阵参数，直至模型收敛。

在一些实施例的一些可选的实现方式中，上述大规模语言模型的训练过程，还包括：抽取两张符合上述预设标准的图片，计算上述大规模语言模型输出的目标特征的距离；利用对比学习算法基于上述目标特征的距离计算两张图片的损失值，基于上述损失值判断上述两张图片是否属于同一类别；若属于同一类别，利用反向传播修改上述目标训练矩阵参数，直至模型收敛。

在一些实施例的一些可选的实现方式中，上述利用训练好的大规模语言模型，确定上述第一图片描述文本和上述第二图片描述文本的第一分类结果，包括：将第一图片描述文本和第二图片描述文本输入到训练好的大规模语言模型进行解析和处理，得到文本关键信息和特征；利用大规模语言模型基于文本关键信息和特征确定上述待分类图片是否与预设的场景需求相符；若相符，得到第一分类结果为将上述待分类图片归为相应的类别；若不相符，得到第一分类结果为将上述待分类图片归为其他类别或拒绝分类。

在一些实施例的一些可选的实现方式中，上述利用关键点检测算法对待分类图片进行特征提取，得到目标特征，包括：利用关键点检测算法对待分类图片进行特征提取，得到关键特征点；计算上述关键特征点的坐标信息、方向信息和尺度信息；基于上述坐标信息、上述方向信息和上述尺度信息将上述关键特征点进行连接，得到目标特征。

在一些实施例的一些可选的实现方式中，上述将上述目标特征输入训练好的图像深度学习网络，得到目标向量，包括：将上述目标特征输入训练好的图像深度学习网络，利用图像深度学习网络将目标特征映射到目标维度的空间中；在目标维度的空间中，对上述目标特征进行转化，得到目标向量。

在一些实施例的一些可选的实现方式中，上述监督学习深度学习网络为全连接网络、自注意力机制的神经网络、时间卷积网络和循环神经网络的任意一种。

本公开实施例的第二方面，提供了一种图像分类装置，装置包括：第一获取单元，被配置成获取待分类图片，利用训练好的大规模语言模型基于上述待分类图片生成第一图片描述文本；第二获取单元，被配置成获取预设的场景需求数据，构建第二图片描述文本；第一分类单元，被配置成利用训练好的大规模语言模型，基于第一图片描述文本和第二图片描述文本得到第一分类结果；特征提取单元，被配置成若上述第一分类结果为分类相符，利用关键点检测算法对待分类图片进行特征提取，得到目标特征；特征转化单元，被配置成将上述目标特征输入训练好的图像深度学习网络，得到目标向量；第二分类单元，被配置成利用监督学习深度学习网络对上述目标向量进行训练微调，得到第二分类结果，上述第二分类结果为待分类图片属于各个类别的概率。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取待分类图片，利用训练完成的大规模语言模型基于上述待分类图片生成第一图片描述文本；获取预设的场景需求数据，构建第二图片描述文本；然后，利用上述大规模语言模型，确定上述第一图片描述文本和上述第二图片描述文本的第一分类结果；之后，若上述第一分类结果表征分类相符，利用关键点检测算法对上述待分类图片进行特征提取，得到目标特征；将上述目标特征输入训练好的图像深度学习网络，得到目标向量；最后，利用监督学习深度学习网络对上述目标向量进行训练调整，得到第二分类结果，上述第二分类结果为待分类图片属于各个类别的概率。本公开提供图像分类方法通过利用大规模语言模型生成图片描述文本、利用关键点检测算法进行特征提取以及利用监督学习深度学习网络进行训练和调整，从而自动化地对图像进行分类，并且具有较高的准确率和鲁棒性的效果。

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，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的图像分类方法的一个应用场景的示意图；

图2是根据本公开的图像分类方法的一些实施例的流程示意图；

图3是根据本公开的图像分类装置的一些实施例的结构示意图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种图像分类方法、装置、电子设备和介质。

图1是根据本公开的一些实施例的图像分类方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取待分类图片102，利用训练完成的大规模语言模型基于上述待分类图片102生成第一图片描述文本103；获取预设的场景需求数据104，构建第二图片描述文本105。然后，计算设备101可以利用上述大规模语言模型，确定上述第一图片描述文本103和上述第二图片描述文本105的第一分类结果106；之后，若上述第一分类结果106表征分类相符，利用关键点检测算法对上述待分类图片102进行特征提取，得到目标特征107。计算设备101可以将上述目标特征107输入训练好的图像深度学习网络，得到目标向量108。最后，利用监督学习深度学习网络对上述目标向量108进行训练调整，得到第二分类结果109，上述第二分类结果109为待分类图片属于各个类别的概率。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备101为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体101现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备101的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备101。

图2是根据本公开的图像分类方法的一些实施例的流程示意图。图2的图像分类方法可以由图1的计算设备101执行。如图2所示，该图像分类方法，包括以下步骤：

步骤S201，获取待分类图片，利用训练完成的大规模语言模型基于上述待分类图片生成第一图片描述文本。

在一些实施例中，图像分类方法的执行主体(如图1所示的计算设备101)可以需要将待分类的图片加载到系统中。这可以通过读取图像文件或从数据库中获取图像数据来实现。将待分类图片输入到已经训练好的大规模语言模型中，语言模型会根据图像的内容生成相应的描述文本。大规模语言模型为LLM，全称为Large Language Model它是一种基于深度学习的自然语言处理模型，能够学习到自然语言的语法和语义，从而可以生成人类可读的文本。LLM通常基于神经网络模型，使用大规模的语料库进行训练，比如使用互联网上的海量文本数据。这些模型通常拥有数十亿到数万亿个参数，能够处理各种自然语言处理任务，如自然语言生成、文本分类、文本摘要、机器翻译、语音识别等。

在一些实施例中，上述大规模语言模型的训练过程，包括：获取大规模语言模型的初始模型；利用参数高效性微调方法构建目标训练矩阵；随机抽取两张图片，计算上述初始模型输出特征的距离；利用对比学习算法基于上述输出特征的距离计算两张图片的损失值，基于上述损失值判断上述两张图片是否属于一个类别；若属于同一类别，利用反向传播修改上述目标训练矩阵参数，直至模型收敛。具体地，上述执行主体使用LoRA方法构建对应大小的低秩Finetune矩阵用于训练。随机抽取两张图片，计算模型输出特征的距离。对两组图片使用NCE等对比学习loss函数计算是否属于同一类的loss，反向传播修改低秩矩阵参数，直至模型收敛。

在一些实施例中，大规模语言模型的训练过程，还包括：抽取两张符合上述预设标准的图片，计算上述大规模语言模型输出的目标特征的距离；利用对比学习算法基于上述目标特征的距离计算两张图片的损失值，基于上述损失值判断上述两张图片是否属于同一类别；若属于同一类别，利用反向传播修改上述目标训练矩阵参数，直至模型收敛。具体地，符合上述预设标准的图片为损失值超过预设标准的照片。

步骤S202，获取预设的场景需求数据，构建第二图片描述文本。

在一些实施例中，上述执行主体可以根据业务场景的实际需求，构建对图片的描述，如：一张场景中有完整受损电动车的图片。

步骤S203，利用上述大规模语言模型，确定上述第一图片描述文本和上述第二图片描述文本的第一分类结果。

在一些实施例中，将第一图片描述文本和第二图片描述文本输入到训练好的大规模语言模型进行解析和处理，得到文本关键信息和特征；利用大规模语言模型基于文本关键信息和特征确定上述待分类图片是否与预设的场景需求相符；若相符，得到第一分类结果为将上述待分类图片归为相应的类别；若不相符，得到第一分类结果为将上述待分类图片归为其他类别或拒绝分类。具体地，使用LLM根据图片描述，判断图片是否与需求描述相符，将图片进行初步分类。如果待分类图片的描述文本与预设场景需求的描述文本相似度高于预设阈值，那么可以认为待分类图片与预设场景需求相符。此时，第一分类结果为将待分类图片归为相应的类别。如果待分类图片的描述文本与预设场景需求的描述文本相似度低于预设阈值，那么可以认为待分类图片与预设场景需求不相符。此时，第一分类结果为将待分类图片归为其他类别或拒绝分类。

步骤S204，若上述第一分类结果表征分类相符，利用关键点检测算法对上述待分类图片进行特征提取，得到目标特征。

在一些实施例中，利用关键点检测算法对待分类图片进行特征提取，得到关键特征点；计算上述关键特征点的坐标信息、方向信息和尺度信息；基于上述坐标信息、上述方向信息和上述尺度信息将上述关键特征点进行连接，得到目标特征。具体地，上述执行主体将待分类图片输入到关键点检测算法中。关键点检测算法会在图片中检测出一些关键特征点，这些特征点通常是对图片内容有重要影响的点，如角点、边缘、纹理等。计算上述关键特征点的坐标信息、方向信息和尺度信息的过程如下：关键点检测算法会给出每个关键特征点的坐标位置。对于一些关键特征点，如角点，关键点检测算法可能会给出它们的方向信息。对于一些关键特征点，关键点检测算法可能会给出它们的大小或尺度信息。基于上述坐标信息、上述方向信息和上述尺度信息将上述关键特征点进行连接，得到目标特征的过程如下：根据关键特征点的坐标信息，将它们连接起来，形成一个特征向量或目标特征。连接后的关键特征点构成的向量或特征就是目标特征。这个特征包含了图片的重要信息和特征，可以用于后续的分类、识别等任务。

步骤S205，将上述目标特征输入训练好的图像深度学习网络，得到目标向量。

在一些实施例中，上述将上述目标特征输入训练好的图像深度学习网络，得到目标向量，包括：将上述目标特征输入训练好的图像深度学习网络，利用图像深度学习网络将目标特征映射到目标维度的空间中；在目标维度的空间中，对上述目标特征进行转化，得到目标向量。具体地，上述执行主体将提取出的目标特征输入到训练好的图像深度学习网络中。图像深度学习网络会将目标特征映射到目标维度的空间中。这个映射过程通常是通过一系列的神经网络层实现的，每个神经网络层都会对输入的特征进行一定的变换和抽象，最终得到一个高维度的表示。在目标维度的空间中，对映射后的特征进行进一步的转化，以得到目标向量。这个转化过程可能包括激活函数、池化操作、卷积操作等，具体取决于图像深度学习网络的设计和结构。经过上述步骤后，图像深度学习网络会输出一个目标向量。这个目标向量包含了图片在目标维度空间中的表示，可以用于后续的分类、识别等任务。

步骤S206，利用监督学习深度学习网络对上述目标向量进行训练调整，得到第二分类结果，上述第二分类结果为待分类图片属于各个类别的概率。

在一些实施例的一些可选的实现方式中，上述执行主体对LLM模型输出的图片特征连接简单的FC网络进行训练微调，输出图片属于各个类别的概率。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取待分类图片，利用训练完成的大规模语言模型基于上述待分类图片生成第一图片描述文本；获取预设的场景需求数据，构建第二图片描述文本；然后，利用上述大规模语言模型，确定上述第一图片描述文本和上述第二图片描述文本的第一分类结果；之后，若上述第一分类结果表征分类相符，利用关键点检测算法对上述待分类图片进行特征提取，得到目标特征；将上述目标特征输入训练好的图像深度学习网络，得到目标向量；最后，利用监督学习深度学习网络对上述目标向量进行训练调整，得到第二分类结果，上述第二分类结果为待分类图片属于各个类别的概率。本公开提供图像分类方法通过利用大规模语言模型生成图片描述文本、利用关键点检测算法进行特征提取以及利用监督学习深度学习网络进行训练和调整，从而自动化地对图像进行分类，并且具有较高的准确率和鲁棒性的效果。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是根据本公开的图像分类装置的一些实施例的结构示意图。如图3所示，该图像分类装置包括：第一获取单元301、第二获取单元302、第一分类单元303、特征提取单元304、特征转化单元305和第二分类单元306。其中，第一获取单元301，被配置成获取待分类图片，利用训练好的大规模语言模型基于上述待分类图片生成第一图片描述文本；第二获取单元302，被配置成获取预设的场景需求数据，构建第二图片描述文本；第一分类单元303，被配置成利用训练好的大规模语言模型，基于第一图片描述文本和第二图片描述文本得到第一分类结果；特征提取单元304，被配置成若上述第一分类结果为分类相符，利用关键点检测算法对待分类图片进行特征提取，得到目标特征；特征转化单元305，被配置成将上述目标特征输入训练好的图像深度学习网络，得到目标向量；第二分类单元306，被配置成利用监督学习深度学习网络对上述目标向量进行训练微调，得到第二分类结果，上述第二分类结果为待分类图片属于各个类别的概率。

在一些实施例的一些可选的实现方式中，图像分类装置被进一步配置成：获取大规模语言模型的初始模型；利用参数高效性微调方法构建目标训练矩阵；随机抽取两张图片，计算上述初始模型输出特征的距离；利用对比学习算法基于上述输出特征的距离计算两张图片的损失值，基于上述损失值判断上述两张图片是否属于一个类别；若属于同一类别，利用反向传播修改上述目标训练矩阵参数，直至模型收敛。

在一些实施例的一些可选的实现方式中，图像分类装置被进一步配置成：抽取两张符合上述预设标准的图片，计算上述大规模语言模型输出的目标特征的距离；利用对比学习算法基于上述目标特征的距离计算两张图片的损失值，基于上述损失值判断上述两张图片是否属于同一类别；若属于同一类别，利用反向传播修改上述目标训练矩阵参数，直至模型收敛。

在一些实施例的一些可选的实现方式中，图像分类装置的第一分类单元303被进一步配置成：上述利用训练好的大规模语言模型，确定上述第一图片描述文本和上述第二图片描述文本的第一分类结果，包括：将第一图片描述文本和第二图片描述文本输入到训练好的大规模语言模型进行解析和处理，得到文本关键信息和特征；利用大规模语言模型基于文本关键信息和特征确定上述待分类图片是否与预设的场景需求相符；若相符，得到第一分类结果为将上述待分类图片归为相应的类别；若不相符，得到第一分类结果为将上述待分类图片归为其他类别或拒绝分类。

在一些实施例的一些可选的实现方式中，图像分类装置的特征提取单元304被进一步配置成：利用关键点检测算法对待分类图片进行特征提取，得到关键特征点；计算上述关键特征点的坐标信息、方向信息和尺度信息；基于上述坐标信息、上述方向信息和上述尺度信息将上述关键特征点进行连接，得到目标特征。

在一些实施例的一些可选的实现方式中，图像分类装置的特征转化单元305被进一步配置成：将上述目标特征输入训练好的图像深度学习网络，利用图像深度学习网络将目标特征映射到目标维度的空间中；在目标维度的空间中，对上述目标特征进行转化，得到目标向量。

在一些实施例的一些可选的实现方式中，图像分类装置被进一步配置成：上述监督学习深度学习网络为全连接网络、自注意力机制的神经网络、时间卷积网络和循环神经网络的任意一种。

可以理解的是，该装置中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置及其中包含的单元，在此不再赘述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的计算机设备4的示意图。如图4所示，该实施例的计算机设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。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，该指令段用于描述计算机程序403在计算机设备4中的执行过程。

计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是计算机设备4的示例，并不构成对计算机设备4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，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是计算机设备4的内部存储单元，例如，计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备，例如，计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

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存储介质中。基于这样的理解，本公开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，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，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。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种图像分类方法，包括：

获取待分类图片，利用训练完成的大规模语言模型基于所述待分类图片生成第一图片描述文本；

获取预设的场景需求数据，构建第二图片描述文本；

利用所述大规模语言模型，确定所述第一图片描述文本和所述第二图片描述文本的第一分类结果；

若所述第一分类结果表征分类相符，利用关键点检测算法对所述待分类图片进行特征提取，得到目标特征；

将所述目标特征输入训练好的图像深度学习网络，得到目标向量；

利用监督学习深度学习网络对所述目标向量进行训练调整，得到第二分类结果，所述第二分类结果为待分类图片属于各个类别的概率。

2.根据权利要求1所述的图像分类方法，其特征在于，所述大规模语言模型的训练过程，包括：

获取大规模语言模型的初始模型；

利用参数高效性微调方法构建目标训练矩阵；

随机抽取两张图片，计算所述初始模型输出特征的距离；

利用对比学习算法基于所述输出特征的距离计算两张图片的损失值，基于所述损失值判断所述两张图片是否属于一个类别；

若属于同一类别，利用反向传播修改所述目标训练矩阵参数，直至模型收敛。

3.根据权利要求2所述的图像分类方法，其特征在于，大规模语言模型的训练过程，还包括：

抽取两张符合所述预设标准的图片，计算所述大规模语言模型输出的目标特征的距离；

利用对比学习算法基于所述目标特征的距离计算两张图片的损失值，基于所述损失值判断所述两张图片是否属于同一类别；

若属于同一类别，利用反向传播修改所述目标训练矩阵参数，直至模型收敛。

4.根据权利要求1所述的图像分类方法，其特征在于，所述利用训练好的大规模语言模型，确定所述第一图片描述文本和所述第二图片描述文本的第一分类结果，包括：

将第一图片描述文本和第二图片描述文本输入到训练好的大规模语言模型进行解析和处理，得到文本关键信息和特征；

利用大规模语言模型基于文本关键信息和特征确定所述待分类图片是否与预设的场景需求相符；

若相符，得到第一分类结果为将所述待分类图片归为相应的类别；

若不相符，得到第一分类结果为将所述待分类图片归为其他类别或拒绝分类。

5.根据权利要求1所述的图像分类方法，其特征在于，所述利用关键点检测算法对待分类图片进行特征提取，得到目标特征，包括：

利用关键点检测算法对待分类图片进行特征提取，得到关键特征点；

计算所述关键特征点的坐标信息、方向信息和尺度信息；

基于所述坐标信息、所述方向信息和所述尺度信息将所述关键特征点进行连接，得到目标特征。

6.根据权利要求1所述的图像分类方法，其特征在于，所述将所述目标特征输入训练好的图像深度学习网络，得到目标向量，包括：

将所述目标特征输入训练好的图像深度学习网络，利用图像深度学习网络将目标特征映射到目标维度的空间中；

在目标维度的空间中，对所述目标特征进行转化，得到目标向量。

7.根据权利要求1所述的图像分类方法，其特征在于，所述监督学习深度学习网络为全连接网络、自注意力机制的神经网络、时间卷积网络和循环神经网络的任意一种。

8.一种图像分类装置，包括：

第一获取单元，被配置成获取待分类图片，利用训练好的大规模语言模型基于所述待分类图片生成第一图片描述文本；

第二获取单元，被配置成获取预设的场景需求数据，构建第二图片描述文本；

第一分类单元，被配置成利用训练好的大规模语言模型，基于第一图片描述文本和第二图片描述文本得到第一分类结果；

特征提取单元，被配置成若所述第一分类结果为分类相符，利用关键点检测算法对待分类图片进行特征提取，得到目标特征；

特征转化单元，被配置成将所述目标特征输入训练好的图像深度学习网络，得到目标向量；

第二分类单元，被配置成利用监督学习深度学习网络对所述目标向量进行训练微调，得到第二分类结果，所述第二分类结果为待分类图片属于各个类别的概率。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述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中任一项所述方法的步骤。