[发明专利]图像样本分类方法及装置、电子设备、可读存储介质

说明书

本公开关于一种图像样本分类方法及装置、电子设备、可读存储介质。该方法包括：获取本次聚类的待分类的图像样本对应的聚类簇，得到初始分类集合；以及获取本次聚类之前的历史聚类的对照分类集合；基于所述对照分类集合调整所述初始分类集合中的各聚类簇，得到所述待分类的图像样本对应的目标分类集合；根据所述目标分类集合和所述各图像样本所在聚类簇，确定所述待分类的图像样本中各图像样本的分类标识。本实施例中利用历史聚类的对照分类集合对初始分类集合进行调整，可以使目标分类集合与对照分类集合中各聚类簇形成映射关系，从而使相同图像样本在本次聚类和历史聚类中具有相同的分类标识，避免出现分类漂移现象，有利于提升使用体验。

技术领域

本公开涉及深度学习技术领域，尤其涉及一种图像样本分类方法及装置、电子设备、可读存储介质。

背景技术

目前，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。以深度学习中的卷积神经网络(CNN)为例，其具有较强的拟合能力和端到端的全局优化能力，能够大幅提升视频图像分类的预测精度。例如，在一个应用场景，卷积神经网络对一帧图像进行类型预测时，可以给出图像属于图像样本中标签的概率，如使用一个包括“猫”和“狗”的样本集训练的卷积神经网络，当对一个“猴”的图像进行预测时，只能给出图像属于“猫”或者“狗”的概率。

实际应用中，用户原创内容(User Generated Content，UGC)平台的用户会上传各种各样的视频或图像的数据，其中可能会包括不属于预先定义的所有标签的数据，例如上述示例中的“猴”的图像。为此，相关技术中会采用聚类方式对这些数据进行区分，即通过卷积神经网络提取各数据的特征，然后通过聚类方式，实现更加细粒度的刻画，得到更多个类别。

然而，相关技术中聚类过程是无监督的，在聚类模型初始化后，相同的数据在不同聚类过程中可能会被划分到不同的聚类中心，即相同的数据在不同的聚类过程具有不同的分类结果，出现类似“漂移”现象，影响使用体验。

发明内容

本公开提供一种图像样本分类方法及装置、电子设备、可读存储介质，以至少解决相关技术中因聚类模型初始化导致相同数据在不同聚类过程出现的分类结果不同的问题。

本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种图像样本分类方法，包括：

获取本次聚类的待分类的图像样本对应的聚类簇，得到初始分类集合；以及获取本次聚类之前的历史聚类的对照分类集合；

基于所述对照分类集合调整所述初始分类集合中的各聚类簇，得到所述待分类的图像样本对应的目标分类集合；

根据所述目标分类集合和所述各图像样本所在聚类簇，确定所述待分类的图像样本中各图像样本的分类标识。

可选地，获取本次聚类的待分类的图像样本对应的聚类簇，得到初始分类集合，包括：

利用预先设置的预测分类模型获取所述待分类的图像样本中各图像样本的图像特征f和预测分类p；

将所述待分类的图像样本的图像特征f输入到训练后的聚类模型，由所述聚类模型确定出所述各图像样本的分类标识c；

基于所述分类标识c和所述预测分类p合并满足设定条件的聚类簇，得到m个聚类簇；

获取所述m个聚类簇的中心点特征cluster，得到包括m个聚类簇的所述初始分类集合。

可选地，所述设定条件是指任意两个干净的聚类簇且具有相同分类标识c的聚类簇；其中，

所述干净的聚类簇，是指在一个聚类簇中，有超过设定比例的图像样本具有相同的预测分类p；

所述具有相同分类标识c的聚类簇，是指两个干净的聚类簇中超过设定比例的图像样本具有相同的预测分类p。