[发明专利]图像聚类方法、装置、设备及存储介质

说明书

本申请公开了一种图像聚类方法、装置、设备及存储介质，所述方法包括：获取多个待处理图像的特征信息，并以每个待处理图像的特征信息作为一个节点；通过将每个节点与其多个近邻点进行连接，获得连接节点的多个边；获取所述节点与所述多个近邻点属于同一类别的置信度；根据所连接的两个节点属于同一类别的概率确定所述节点与每个近邻点之间的边的连接度；根据各个节点的置信度和各个边的连接度，对与所述多个待处理图像一一对应的多个节点进行聚类，得到多个待处理图像的聚类结果。

技术领域

本公开涉及计算机视觉技术，尤其涉及一种图像聚类方法、装置、设备及存储介质。

背景技术

由于标注数据的爆发式增长，人脸识别对于标注数据的需求导致了难以承受的标注成本。为了利用将互联网以及监控视频中存在的大量无标签人脸数据，需要通过聚类的方式赋予无标签数据伪标签后，将无标签数据和伪标签一同加入监督学习的框架中进行训练。

目前的聚类方式难以实现对大量无标签人脸数据的高速、高精度聚类，因此亟需开发效率和准确率更高的聚类方法。

发明内容

本公开实施例提供了一种图像聚类方案。

根据本公开的一方面，提供一种图像聚类方法，所述方法包括：获取多个待处理图像的特征信息，并以每个待处理图像的特征信息作为一个节点；通过将每个节点与其多个近邻点进行连接，获得连接节点的多个边；获取所述节点与所述多个近邻点属于同一类别的置信度；根据所连接的两个节点属于同一类别的概率确定所述节点与每个近邻点之间的边的连接度；根据各个节点的置信度和各个边的连接度，对与所述多个待处理图像一一对应的多个节点进行聚类，得到多个待处理图像的聚类结果。

结合本公开提供的任一实施方式，所述节点的近邻点包括与所述节点相似度最高的K个节点，其中，K为正整数。

结合本公开提供的任一实施方式，所述根据各个节点的置信度和各个边的连接度，对于与所述多个待处理图像一一对应的多个节点进行聚类，得到多个待处理图像的聚类结果，包括：获取所述节点与目标近邻点之间的边，其中，所述近邻点包含目标近邻点，且所述目标近邻点的置信度大于所述节点，且所述目标近邻点与所述节点之间的边具有最大连接度；根据所述节点与目标近邻点之间的边形成的连通域，得到一个或多个节点聚类集合；根据所述一个或多个节点聚类集合，得到所述多个待处理图像的聚类结果。

结合本公开提供的任一实施方式，所述节点与所述近邻点属于同一类别的置信度为第一相似度与第二相似度的差值，其中，所述第一相似度为所述节点与其近邻点属于同一类别的相似度总和，所述第二相似度为所述节点与其近邻点属于不同类别的相似度总和。

结合本公开提供的任一实施方式，所述获取所述节点与所述多个近邻点属于同一类别的置信度，包括：根据所述节点对应的特征信息，获得多个节点对应的特征信息矩阵；根据每两个节点之间的相似度值，获得相似度矩阵；将所述特征信息矩阵和所述相似度矩阵输入至预先训练的第一神经网络，得到所述节点与所述近邻点属于同一类别的置信度。

结合本公开提供的任一实施方式，在将所述特征信息矩阵和所述相似度矩阵输入至预先训练的第一神经网络步骤之前，所述方法还包括，利用样本图像集对所述第一神经网络进行训练，其中，所述样本图像集中的每个样本图像标注有类别；所述利用样本图像集对所述第一神经网络进行训练，包括：获取每个样本图像的特征信息，并以每个样本图像的特征信息作为一个样本节点；确定所述样本节点与近邻点属于同一类别的置信度，并对所述样本节点标注置信度值；将样本特征信息矩阵和样本相似度矩阵输入于所述第一神经网络，预测得到各个样本节点的置信度值，所述样本特征信息矩阵包括各个样本节点的特征信息，所述样本相似度矩阵包括每两个样本节点之间的相似度值；根据对各个样本节点预测的置信度值和标注的置信度值之间的差异，对所述第一神经网络的网络参数进行调整，得到训练后的第一神经网络。