[发明专利]一种图像分类方法、装置、设备及介质

说明书

本公开提供了一种图像分类方法、装置、介质及设备，其中，所述方法包括：采集输入图像数据进行预处理，并根据预处理后的数据构建图像标签；构建神经网络，并设计损失函数；将所述图像标签分为训练集图像和测试集图像，并根据所述训练集图像训练所述神经网络；利用所述测试集图像对训练后的所述神经网络进行图像分类测试。本公开设计了一种由基于类别相关性的标签平滑方法；本公开对神经网络的输出概率加上组稀疏约束，使得神经网络在不相似的大类之间实现互斥。

技术领域

本公开涉及深度学习技术领域，更为具体来说，本公开涉及一种图像分类方法、装置、设备及介质。

背景技术

图像分类是一种根据图像信息中的不同特征，把图像归为不同类别的算法。图像分类算法的输入为一张图像，输出为类别集合中的某个类别。

目前，基于深度神经网络的图像分类算法得到了广泛的关注和研究。有监督的深度学习算法首先需要对数据进行标注，即为每一张训练图像标记类别标签。标签通常用一个类别向量来表示。一般而言，类别向量以一种one-hot(独热)向量的方式呈现，即当图像属于某一类时，类别向量中的那一分量为1，其他分量为0。

然而，拟合one-hot的真实概率会带来一个问题：1概率和0概率鼓励图像所属类别和其他类别之间的特征差距尽可能加大。这会造成模型过于相信预测的类别，在所属的类别上有很大的值，而在其他类别上的值非常小。由于类别之间经常不是完全互斥的，使用one-hot标签会使得模型过度相信标记为1的标签，这会降低模型的泛化能力。

发明内容

为解决现有技术的深度学习诊断工具不能满足对于深度学习的诊断的准确度的要求的技术问题。

为实现上述技术目的，本公开提供了一种图像分类方法，包括：

采集输入图像数据进行预处理，并对预处理后的数据构建图像标签；

构建神经网络，并设计损失函数；

将预处理后的图像数据分为训练集图像和测试集图像，并根据所述训练集图像训练所述神经网络；

利用所述测试集图像对训练后的所述神经网络进行图像分类测试。

进一步，所述根据预处理后的图像数据构建图像标签具体包括：

将所述图像数据中的类别属性相似的分为同一组；

根据所述图像数据原始的独热标签类别相似度，设置组内和组外类别标签；

对数据集中的类别，根据类别相似度，分成N个大组，每个子类归属到一个大组；其中，N为正整数；

对每一张训练图像，构建其对应的标签y。

进一步，所述构建其对应的标签y具体包括：

将其原始的独热标签进行组外平滑，使得其他组的类别分量为ε₁/K,K为数据集所有类别的数量；

将组内其他类别的标签分量设置成ε₂/K,其中，ε₂ε₁，ε₂和ε₁为预设参数；

图像所属子类别对应的标签分量为1-ε₁/K×K₁-ε₂/K×K₂；

其中，K₁是组外其他类别的类别总数，K₂是组内其他类别的类别总数。

进一步，所述预先设计好的损失函数具体为：