[发明专利]图像分类模型自学习的方法、装置、电子设备及存储介质

权利要求书

1.一种图像分类模型自学习的方法，其特征在于，包括：

获取训练好的图像分类模型；

对所述图像分类模型的输出层增加输出节点；

获取测试图像并判断是否属于所述输出节点后按预设规则输入所述图像分类模型中；

通过所述图像分类模型分类识别所述测试图像并进行更新。

2.根据权利要求1中所述的一种图像分类模型自学习的方法，其特征在于，所述获取训练好的图像分类模型包括：

获取未训练的深度学习模型；

通过已标注的图像数据对所述未训练的深度学习模型进行训练以获取训练好的图像分类模型。

3.根据权利要求1中所述的一种图像分类模型自学习的方法，其特征在于，所述对所述图像分类模型的输出层增加输出节点包括：

通过图像构造方法生成新的图像类标；

根据所述图像类标对所述图像分类模型的输出层增加输出节点。

4.根据权利要求1中所述的一种图像分类模型自学习的方法，其特征在于，所述获取测试图像并判断是否属于所述输出节点后按预设规则输入所述图像分类模型中包括：

获取测试图像并生成随机数；

判断所述随机数是否大于预设阈值，若是，则判断所述测试图像是否属于所述输出节点，若否，则将所述测试图像进行人工标注。

5.根据权利要求4中所述的一种图像分类模型自学习的方法，其特征在于，判断所述测试图像是否属于所述输出节点之后还包括：

若是，则将所述测试图像进行人工标注后输入所述图像分类模型中，若否则报告所述测试图像的分类类型。

6.根据权利要求1中所述的一种图像分类模型自学习的方法，其特征在于，所述通过所述图像分类模型分类识别所述测试图像并进行更新包括：

通过所述图像分类模型分类识别所述测试图像并判断是否存在未知分类；

若是，则进一步增加输出层节点并将所述测试图像进行人工标注并更新所述图像分类模型。

7.根据权利要求6中所述的一种图像分类模型自学习的方法，其特征在于，还包括：若否，则对所述测试图像进行图像数据增强后更新所述图像分类模型。

8.一种图像分类模型自学习的装置，其特征在于，包括：

模型获取模块，用于获取训练好的图像分类模型；

模型拓展模块，用于对所述图像分类模型的输出层增加输出节点；

数据输入模块，获取测试图像并判断是否属于所述输出节点后按预设规则输入所述图像分类模型中；

模型更新模块，用于通过所述图像分类模型分类识别所述测试图像并进行更新。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像分类模型自学习的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，其特征在于，该程序指令被处理器执行时实现如权利要求1-7中任一所述的图像分类模型自学习的方法。