图像分类方法、装置、电子设备和计算机可读介质与流程

本公开的实施例涉及计算机，具体涉及图像分类方法、装置、电子设备和计算机可读介质。

背景技术：

1、图像分类，是用于区分不同类别图像的一项技术。目前，在进行图像分类时，通常采用的方式为：先提取图像的特征描述信息，然后将特征描述信息输入至分类模型确定图像的类别。

2、然而，当采用上述方式对图像进行分类时，经常会存在如下技术问题：

3、若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类，从而，导致图像分类结果的准确度较低。

技术实现思路

1、本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本公开的一些实施例提出了图像分类方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

3、第一方面，本公开的一些实施例提供了一种图像分类方法，该方法包括：对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量，其中，上述目标图像信息包括类别标签组和上述目标图像；对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组；基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组；响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。

4、可选的，上述基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组，包括：将上述图像特征向量与上述标签特征向量组中每个标签特征向量之间的相似度确定为图像标签匹配信息，得到图像标签匹配信息组。

5、可选的，上述对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组，包括：对上述类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组；基于预先训练的图像分类模型，对上述扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组，其中，上述图像分类模型包括图像特征提取器和标签特征提取器。

6、可选的，上述图像分类模型通过以下步骤训练得到：将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合，其中，上述样本结果对集合中的样本结果对包括样本图像特征向量和样本标签特征向量；对于每个样本信息，根据上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离、上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离，确定样本损失值；确定与上述样本信息组中各个样本信息的样本损失值对应的目标损失值；响应于确定上述目标损失值不满足预设的训练条件，调整初始图像分类模型中的相关参数。

7、可选的，上述方法还包括：响应于确定所生成的样本损失值满足上述训练条件，将上述初始图像分类模型确定为图像分类模型。

8、可选的，上述样本信息组中的样本信息包括样本图像和样本标签，上述初始图像分类模型包括初始图像特征提取器和初始标签特征提取器；以及上述将预设的样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，包括：将上述样本信息中的样本图像输入至上述初始图像特征提取器，得到样本图像特征向量；将上述样本信息中的样本标签输入至上述初始标签特征提取器，得到样本标签特征向量；将上述样本图像特征向量和上述样本标签特征向量确定为样本结果对。

9、可选的，上述预设的训练条件为上述目标损失值大于等于预设损失阈值。

10、第二方面，本公开的一些实施例提供了一种图像分类装置，装置包括：图像特征提取单元，被配置成对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量，其中，上述目标图像信息包括类别标签组和上述目标图像；标签特征提取单元，被配置成对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组；第一生成单元，被配置成基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组；第二生成单元，被配置成响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。

11、可选的，上述第一生成单元被进一步配置成将上述图像特征向量与上述标签特征向量组中每个标签特征向量之间的相似度确定为图像标签匹配信息，得到图像标签匹配信息组。

12、可选的，上述标签特征提取单元被进一步配置成对上述类别标签组中的各个类别标签进行扩展处理，得到扩展类别标签组；基于预先训练的图像分类模型，对上述扩展类别标签组中的各个扩展类别标签进行标签特征提取，得到标签特征向量组，其中，上述图像分类模型包括图像特征提取器和标签特征提取器。

13、可选的，图像分类模型通过以下步骤训练得到：将样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，得到样本结果对集合，其中，上述样本结果对集合中的样本结果对包括样本图像特征向量和样本标签特征向量；对于每个样本信息，根据上述样本信息对应的样本图像特征向量与样本标签特征向量之间的距离、上述样本信息对应的样本图像特征向量与其余的样本信息对应的样本标签特征向量之间的距离、上述样本信息对应的样本标签特征向量与其余的样本信息对应的样本图像特征向量之间的距离，确定样本损失值；确定与上述样本信息组中各个样本信息的样本损失值对应的目标损失值；响应于确定上述目标损失值不满足预设的训练条件，调整初始图像分类模型中的相关参数。

14、可选的，训练步骤还包括响应于确定所生成的样本损失值满足上述训练条件，将上述初始图像分类模型确定为图像分类模型。

15、可选的，上述样本信息组中的样本信息包括样本图像和样本标签，上述初始图像分类模型包括初始图像特征提取器和初始标签特征提取器；以及训练步骤中的将预设的样本信息组中的每个样本信息输入至初始图像分类模型以生成样本结果对，包括：将上述样本信息中的样本图像输入至上述初始图像特征提取器，得到样本图像特征向量；将上述样本信息中的样本标签输入至上述初始标签特征提取器，得到样本标签特征向量；将上述样本图像特征向量和上述样本标签特征向量确定为样本结果对。

16、可选的，上述预设的训练条件为上述目标损失值大于等于预设损失阈值。

17、第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

18、第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

19、本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的图像分类方法，可以提高图像分类结果的准确度。具体来说，造成降低图像分类结果的准确度的原因在于：若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类。基于此，本公开的一些实施例的图像分类方法，首先，对目标图像信息中的目标图像进行图像特征提取，得到图像特征向量。其中，上述目标图像信息包括类别标签组和上述目标图像。然后，对上述类别标签组中的各个类别标签进行标签特征提取，得到标签特征向量组。分别对目标图像进行图像特征提取、对类别标签进行标签特征提取，便于后续通过图像特征向量与标签特征向量进行图像分类。接着，基于上述图像特征向量和上述标签特征向量组，生成图像标签匹配信息组。最后，响应于确定上述图像标签匹配信息组中存在满足预设匹配条件的图像标签匹配信息，基于满足上述预设匹配条件的图像标签匹配信息，生成图像分类结果。通过图像标签匹配信息和预设匹配条件，可以根据实际需要灵活配置图像特征向量和标签特征向量的匹配程度。例如，当找不到匹配的类别标签时，可以调整匹配条件以降低匹配度，进而确保针对任一目标图像，均可以确定与目标图像对应的类别标签。从而，生成图像分类结果。因此，避免了若分类模型的训练集中不包括待分类图像的类别，则无法准确的对图像进行分类的情况。进而，可以提高图像分类结果的准确度。