数据集粒度分类方法及装置与流程

本公开涉及图像处理领域，尤其涉及一种数据集粒度分类方法及装置。

背景技术：

1、在深度学习的图像分类中，会区分粗粒度数据集的分类任务和细粒度数据集的分类任务。在相关技术中，会通过人为判断的方法进行数据集的粗细粒度的判定，然后再针对判定结果进行针对性地建模，进而进行图像分类。但是，在实际进行图像分类的开发系统用户中，不是所有用户都具备判定数据集粗细粒度的技能，使得这种需要人为判断的方法不够便捷、费时费力、不具有普适性。

技术实现思路

1、本公开提供一种数据集粒度分类方法及装置，以至少解决上述相关技术中的问题，也可不解决任何上述问题。本公开的技术方案如下：

2、根据本公开实施例的第一方面，提供一种数据集粒度分类方法，包括：获取待分类数据集，其中，所述待分类数据集中包括至少一个图像；根据所述待分类数据集，得到第一数据集和第二数据集，其中，所述第一数据集是将所述待分类数据集中的图像均调整到第一分辨率得到的，所述第二数据集是将所述待分类数据集中的图像均调整到第二分辨率得到的；利用所述第一数据集对神经网络模型进行训练和测试，得到用于图像分类的第一分类模型和所述第一分类模型的分类精度，并且，利用所述第二数据集对所述神经网络模型进行训练和测试，得到用于图像分类的第二分类模型和所述第二分类模型的分类精度；根据所述第一分类模型的分类精度、所述第二分类模型的分类精度和预设阈值，得到所述待分类数据集的粒度分类结果。

3、可选地，所述待分类数据集被预先拆分为训练数据集和测试数据集；所述第一数据集包括基于所述训练数据集得到的第一训练数据集和基于所述测试数据集得到的第一测试数据集，所述第二数据集包括基于所述训练数据集得到的第二训练数据集和基于所述测试数据集得到的第二测试数据集。

4、可选地，所述利用所述第一数据集对神经网络模型进行训练和测试，得到用于图像分类的第一分类模型和所述第一分类模型的分类精度，包括：基于第一训练数据集对所述神经网络模型进行训练，得到所述第一分类模型；基于第一测试数据集对所述第一分类模型进行测试，得到第一测试结果；基于第一测试结果，得到所述第一分类模型的分类精度；其中，所述利用所述第二数据集对所述神经网络模型进行训练和测试，得到用于图像分类的第二分类模型和所述第二分类模型的分类精度，包括：基于第二训练数据集对所述神经网络模型进行训练，得到所述第二分类模型；基于第二测试数据集对所述第二分类模型进行测试，得到第二测试结果；基于第二测试结果，得到所述第二分类模型的分类精度。

5、可选地，所述第一测试结果包括所述第一测试数据集中的图像的分类结果；其中，所述基于第一测试结果，得到所述第一分类模型的分类精度，包括：根据所述第一测试结果和所述第一测试数据集中的图像携带的类别标签，得到所述第一测试数据集中的图像进行分类的第一准确率，并将所述第一准确率作为所述第一分类模型的分类精度；所述第二测试结果包括所述第二测试数据集中的图像的分类结果；其中，所述基于第二测试结果，得到所述第二分类模型的分类精度，包括：根据所述第二测试结果和所述第二测试数据集中的图像携带的类别标签，得到所述第二测试数据集中的图像进行分类的第二准确率，并将所述第二准确率作为所述第二分类模型的分类精度。

6、可选地，所述第一分类模型和所述第二分类模型是采用相同的训练配置和训练超参数训练得到的。

7、可选地，所述根据所述第一分类模型的分类精度、所述第二分类模型的分类精度和预设阈值，得到所述待分类数据集的粒度分类结果，包括：根据所述第一分类模型的分类精度和所述第二分类模型的分类精度，得到所述第一分类模型的分类精度和所述第二分类模型的分类精度的差值的绝对值；根据所述差值的绝对值和所述预设阈值，得到所述待分类数据集的粒度分类结果。

8、可选地，所述根据所述差值的绝对值和所述预设阈值，得到所述待分类数据集的粒度分类结果，包括：在所述差值的绝对值大于所述预设阈值的情况下，确定所述待分类数据集的粒度分类结果是细粒度数据集；在所述差值的绝对值不大于所述预设阈值的情况下，确定所述待分类数据集的粒度分类结果是粗粒度数据集。

9、可选地，对所述神经网络模型执行至少一轮的训练和测试，来得到所述第一分类模型和所述第二分类模型；其中，在所述差值的绝对值大于所述预设阈值的情况下，确定所述待分类数据集的粒度分类结果是细粒度数据集，包括：每一轮训练和测试后得到一次所述差值的绝对值，并将所述差值的绝对值与所述预设阈值进行比较；一旦确定某一轮训练和测试后得到的所述差值的绝对值大于所述预设阈值，确定所述待分类数据集的粒度分类结果是细粒度数据集，并停止训练和测试。

10、根据本公开实施例的第二方面，提供一种数据集粒度分类装置，包括：获取单元，被配置为：获取待分类数据集，其中，所述待分类数据集中包括至少一个图像；调整单元，被配置为：根据所述待分类数据集，得到第一数据集和第二数据集，其中，所述第一数据集是将所述待分类数据集中的图像均调整到第一分辨率得到的，所述第二数据集是将所述待分类数据集中的图像均调整到第二分辨率得到的；训练单元，被配置为：利用所述第一数据集对神经网络模型进行训练和测试，得到用于图像分类的第一分类模型和所述第一分类模型的分类精度，并且，利用所述第二数据集对所述神经网络模型进行训练和测试，得到用于图像分类的第二分类模型和所述第二分类模型的分类精度；分类单元，被配置为：根据所述第一分类模型的分类精度、所述第二分类模型的分类精度和预设阈值，得到所述待分类数据集的粒度分类结果。

11、可选地，所述待分类数据集被预先拆分为训练数据集和测试数据集；所述第一数据集包括基于所述训练数据集得到的第一训练数据集和基于所述测试数据集得到的第一测试数据集，所述第二数据集包括基于所述训练数据集得到的第二训练数据集和基于所述测试数据集得到的第二测试数据集。

12、可选地，训练单元被配置为：基于第一训练数据集对所述神经网络模型进行训练，得到所述第一分类模型；基于第一测试数据集对所述第一分类模型进行测试，得到第一测试结果；基于第一测试结果，得到所述第一分类模型的分类精度；基于第二训练数据集对所述神经网络模型进行训练，得到所述第二分类模型；基于第二测试数据集对所述第二分类模型进行测试，得到第二测试结果；基于第二测试结果，得到所述第二分类模型的分类精度。

13、可选地，所述第一测试结果包括所述第一测试数据集中的图像的分类结果；所述第二测试结果包括所述第二测试数据集中的图像的分类结果；其中，训练单元被配置为：根据所述第一测试结果和所述第一测试数据集中的图像携带的类别标签，得到所述第一测试数据集中的图像进行分类的第一准确率，并将所述第一准确率作为所述第一分类模型的分类精度；根据所述第二测试结果和所述第二测试数据集中的图像携带的类别标签，得到所述第二测试数据集中的图像进行分类的第二准确率，并将所述第二准确率作为所述第二分类模型的分类精度。

14、可选地，所述第一分类模型和所述第二分类模型是采用相同的训练配置和训练超参数训练得到的。

15、可选地，分类单元被配置为：根据所述第一分类模型的分类精度和所述第二分类模型的分类精度，得到所述第一分类模型的分类精度和所述第二分类模型的分类精度的差值的绝对值；根据所述差值的绝对值和所述预设阈值，得到所述待分类数据集的粒度分类结果。

16、可选地，分类单元被配置为：在所述差值的绝对值大于所述预设阈值的情况下，确定所述待分类数据集的粒度分类结果是细粒度数据集；在所述差值的绝对值不大于所述预设阈值的情况下，确定所述待分类数据集的粒度分类结果是粗粒度数据集。

17、可选地，对所述神经网络模型执行至少一轮的训练和测试，来得到所述第一分类模型和所述第二分类模型；其中，分类单元被配置为：每一轮训练和测试后得到一次所述差值的绝对值，并将所述差值的绝对值与所述预设阈值进行比较；一旦确定某一轮训练和测试后得到的所述差值的绝对值大于所述预设阈值，确定所述待分类数据集的粒度分类结果是细粒度数据集，并停止训练和测试。

18、根据本公开实施例的第三方面，提供一种电子设备，包括：至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行根据本公开的数据集粒度分类方法。

19、根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行根据本公开的数据集粒度分类方法。

20、本公开的实施例提供的技术方案至少带来以下有益效果：

21、根据本公开的数据集粒度分类方法及装置，将待分类数据集中的图像分别调整到两个不同的分辨率，然后使用相同的神经网络模型分别对这两个分辨率的数据集进行训练和测试，这样可分别得到针对两个分辨率的数据集训练的模型进行图像分类的分类精度，从而可以将这两个分类精度和预设的判定粒度的阈值作比较，得到待分类数据集的粒度分类结果。基于这个过程，可以实现自动进行数据集粒度的判定，具有普适性。

22、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。